用于参数高效高光谱单图像超分辨率的运算神经网络
图像与视频处理
2023-10-26 v2
摘要
高光谱成像是遥感中的关键工具，其捕获的光谱信息远多于标准彩色图像。然而，光谱信息的增加是以空间分辨率为代价的。超分辨率是一种流行的技术，其目标是根据给定的低分辨率输入生成高分辨率版本。大多数现代超分辨率方法使用卷积神经网络。然而，卷积本身是一种线性运算，网络依赖每层之后的非线性激活函数来提供必要非线性以学习复杂的底层函数。这意味着卷积神经网络往往非常深才能达到预期结果。近来，自组织运算神经网络被提出，旨在通过利用 MacLaurin 级数展开将卷积滤波器替换为可学习的非线性函数，从而克服这一局限。本工作致力于将一种流行超分辨率模型的卷积滤波器扩展为更强大的运算滤波器，以提升模型在高光谱图像上的性能。我们还研究了残差连接和不同归一化类型对这种增强网络的影响。尽管参数少于其等效卷积网络，我们的结果表明运算神经网络在小型高光谱图像数据集上实现了更优的超分辨率性能。我们的代码已在 Github 上公开：https://github.com/aulrichsen/SRONN。
引用
@article{arxiv.2303.16636,
title = {Operational Neural Networks for Parameter-Efficient Hyperspectral Single-Image Super-Resolution},
author = {Alexander Ulrichsen and Paul Murray and Stephen Marshall and Moncef Gabbouj and Serkan Kiranyaz and Mehmet Yamac and Nour Aburaed},
journal= {arXiv preprint arXiv:2303.16636},
year = {2023}
}
备注
17 pages, 12 figures