基于自调制卷积神经网络的高光谱图像去噪
图像与视频处理
2023-09-18 v1 计算机视觉与模式识别
摘要
与自然图像相比，高光谱图像（HSIs）由大量波段组成，每个波段捕获某一波长下的不同光谱信息，甚至包含超出可见光谱的部分。HSIs 的这些特性使其在遥感应用中极为有效。尽管如此，现有高光谱成像设备会在 HSIs 中引入严重退化。因此，高光谱图像去噪近期吸引了学界大量关注。尽管近期深度 HSI 去噪方法已提供有效解决方案，但其在真实复杂噪声下的性能仍不尽理想，因为它们缺乏对新数据的适应性。为克服这些局限，我们在工作中引入了一种称为 SM-CNN 的自调制卷积神经网络，其利用了相关的光谱与空间信息。模型核心为一种新颖的模块，我们称之为光谱自调制残差块（SSMRB），它使网络能基于相邻光谱数据以自适应方式变换特征，增强网络处理复杂噪声的能力。特别地，SSMRB 的引入将我们的去噪网络转变为动态网络，在去噪每个输入 HSI 时依据其空-谱特性调整预测特征。在合成与真实数据上的实验分析表明，所提 SM-CNN 在公共基准数据集上于定量与定性方面均优于其他最优 HSI 去噪方法。
引用
@article{arxiv.2309.08197,
title = {Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks},
author = {Orhan Torun and Seniha Esen Yuksel and Erkut Erdem and Nevrez Imamoglu and Aykut Erdem},
journal= {arXiv preprint arXiv:2309.08197},
year = {2023}
}