基于自监督学习消除 hyperspectral 成像中非独立噪声
图像与视频处理
2024-09-17 v1
摘要
hyperspectral 成像已广泛用于目标分子的光谱和空间识别，但常受复杂噪声污染。当前去噪方法通常依赖独立同分布噪声统计，对非独立噪声 removal 效果受损。本文展示了自监督PErmutation Noise2noise Denoising（SPEND），一种为从单个 hyperspectral 图像堆中去除非独立噪声而量身定制的深度学习去噪架构。我们利用基于光谱拉曼散射和中红外光热显微技术的 hyperspectral 作为测试平台，其中噪声在空间上相关且在光谱上变化。基于单个 hyperspectral 图像，SPEND置换奇数和偶数光谱帧以生成两个噪声属性相同的堆栈，并使用这些配对进行高效的自监督噪声到噪声训练。SPEND实现了8倍的信噪比提升，无需访问真实数据。SPEND实现了在指纹和静默区域对低浓度生物分子进行准确映射，展示了其在复杂细胞环境中的鲁棒性。
引用
@article{arxiv.2409.09910,
title = {Self-Supervised Elimination of Non-Independent Noise in Hyperspectral Imaging},
author = {Guangrui Ding and Chang Liu and Jiaze Yin and Xinyan Teng and Yuying Tan and Hongjian He and Haonan Lin and Lei Tian and Ji-Xin Cheng},
journal= {arXiv preprint arXiv:2409.09910},
year = {2024}
}