JR2net：一种用于压缩光谱成像的联合非线性表示与恢复网络
图像与视频处理
2022-09-12 v2 机器学习
摘要
深度学习模型在压缩光谱成像(CSI)恢复中处于最先进水平。这些方法使用深度神经网络(DNN)作为图像生成器，学习从压缩测量到光谱图像的非线性映射。例如，深度光谱先验方法在优化算法中使用卷积自编码器网络(CAE)，通过非线性表示恢复光谱图像。然而，CAE 的训练与恢复问题脱节，无法保证为 CSI 问题提供光谱图像的最优表示。本文提出一种联合非线性表示与恢复网络(JR2net)，将表示和恢复任务联系到单一优化问题中。JR2net 由一个遵循 ADMM 公式的优化启发式网络组成，该网络学习非线性低维表示并同时执行光谱图像恢复，通过端到端方法训练。实验结果表明所提方法的优越性，PSNR 提升高达 2.57 dB，且比最先进方法快约 2000 倍。
引用
@article{arxiv.2205.07770,
title = {JR2net: A Joint Non-Linear Representation and Recovery Network for Compressive Spectral Imaging},
author = {Brayan Monroy and Jorge Bacca and Henry Arguello},
journal= {arXiv preprint arXiv:2205.07770},
year = {2022}
}