结合局部与非局部先验的退化估计循环神经网络用于压缩光谱成像
图像与视频处理
2024-01-17 v2
摘要
在编码孔径快照光谱成像（CASSI）系统中，深度展开网络（DUNs）在从二维测量中恢复三维高光谱图像（HSIs）方面已展现出优异性能。然而，DUNs 所用的成像模型与真实 CASSI 成像过程之间存在一些显著差距，例如传感误差以及光子和暗电流噪声，这损害了 DUNs 中数据子问题与先验子问题的求解精度。为解决该问题，我们提出退化估计网络（DEN），通过同时估计传感误差与噪声水平来校正 DUNs 所用的成像模型，从而提升 DUNs 性能。此外，我们提出一种高效的局部与非局部 Transformer（LNLT）来求解先验子问题，其不仅有效建模局部与非局部相似性，还降低了基于窗口的全局多头自注意力（MSA）的计算成本。进一步，我们通过跨阶段共享 DNN 参数将 DUN 转化为循环神经网络（RNN），这不仅使 DNN 得到更充分训练，还显著减少了参数量。所提出的 DERNN-LNLT 在仿真与真实数据集上以更少参数实现了最先进（SOTA）性能。
引用
@article{arxiv.2311.08808,
title = {Degradation Estimation Recurrent Neural Network with Local and Non-Local Priors for Compressive Spectral Imaging},
author = {Yubo Dong and Dahua Gao and Yuyan Li and Guangming Shi and Danhua Liu},
journal= {arXiv preprint arXiv:2311.08808},
year = {2024}
}