学习用于SAR图像去斑的扩张残差网络
计算机视觉与模式识别
2018-01-25 v3
摘要
在本文中，为了打破传统线性模型对合成孔径雷达(SAR)图像去斑的限制，我们提出了一种新颖的深度学习方法，通过扩张残差网络(SAR-DRN)学习噪声与干净SAR图像之间的非线性端到端映射。SAR-DRN基于扩张卷积，能够在保持轻量结构的同时扩大感受野并维持滤波器尺寸与层深度。此外，去斑模型中加入了跳跃连接和残差学习策略，以保留图像细节并缓解梯度消失问题。与传统去斑方法相比，所提方法在定量与视觉评估上均表现出优于最先进方法的性能，尤其在强散斑噪声下。
引用
@article{arxiv.1709.02898,
title = {Learning a Dilated Residual Network for SAR Image Despeckling},
author = {Qiang Zhang and Qiangqiang Yuan and Jie Li and Zhen Yang and Xiaoshuang Ma},
journal= {arXiv preprint arXiv:1709.02898},
year = {2018}
}
备注
18 pages, 13 figures, 7 tables