基于即插即用与深度图像先验模型的自我监督深度高光谱图像修复
计算机视觉与模式识别
2025-01-15 v1 机器学习
摘要
高光谱图像通常由数百个狭窄且连续的光谱波段组成，每个波段都包含关于成像场景物质组成的信息。然而，这些图像可能受到各种噪声、失真或数据丢失源的影响，从而显著降低其质量和实用性。本文提出了一种收敛性有保障的算法 LRS-PnP-DIP(1-Lip)，成功解决了此前报道的深度高光谱修复中的不稳定性问题。该算法将成功的低秩与稀疏联合模型进行了扩展，以进一步利用底层数据结构，超越传统且有时受限的子空间模型并集。在温和假设下，该算法的稳定性分析保证了其收敛性，这对实际应用至关重要。大量实验表明，所提出的解决方案持续提供在视觉和定量上均优于现有方法的修复结果，建立了最先进的性能。
引用
@article{arxiv.2501.08195,
title = {Self-supervised Deep Hyperspectral Inpainting with the Plug and Play and Deep Image Prior Models},
author = {Shuo Li and Mehrdad Yaghoobi},
journal= {arXiv preprint arXiv:2501.08195},
year = {2025}
}
备注
31 pages, 9 Figures, 7 Tables. arXiv admin note: text overlap with arXiv:2306.08128