结合稀疏性与低秩约束的自监督深度高光谱图像修复
图像与视频处理
2023-06-16 v1 计算机视觉与模式识别
机器学习
摘要
高光谱图像通常由数百个窄且连续的光谱波段组成，每个波段包含关于成像场景材料组成的信息。然而，这些图像可能受到各种噪声、失真或数据丢失的影响，从而显著降低其质量与可用性。为解决这些问题，我们提出两种新颖的自监督高光谱图像（HSI）修复算法：低秩与稀疏约束即插即用（LRS-PnP），及其扩展 LRS-PnP-DIP，后者具备强大的学习能力，且仍无需外部训练数据。我们在一些温和假设下进行了稳定性分析，保证算法收敛。这对实际应用尤为有益。大量实验表明，所提方案能够生成视觉与定性更优的修复结果，达到最先进性能。用于复现结果的代码见 \url{https://github.com/shuoli0708/LRS-PnP-DIP}。
引用
@article{arxiv.2306.08128,
title = {Self-supervised Deep Hyperspectral Inpainting with the Sparsity and Low-Rank Considerations},
author = {Shuo Li and Mehrdad Yaghoobi},
journal= {arXiv preprint arXiv:2306.08128},
year = {2023}
}
备注
10 pages including appendix, 5 figures 2 tables. submitted to IEEE transactions on Signal Processing journal