SMDS-Net：用于高光谱图像去噪的模型引导谱-空网络
图像与视频处理
2021-11-16 v2 计算机视觉与模式识别
摘要
基于深度学习（DL）的高光谱图像（HSIs）去噪方法直接学习观测含噪图像与潜在干净图像之间的非线性映射。它们通常不考虑 HSIs 的物理特性，因而缺乏理解其去噪机制所需的可解释性。为解决此问题，我们提出一种新颖的模型引导可解释网络用于 HSI 去噪。具体而言，充分考虑 HSIs 的空间冗余性、谱低秩性以及谱-空特性，我们首先建立基于子空间的多维稀疏模型。该模型先将观测 HSIs 投影至低维正交子空间，再以多维字典表示投影后的图像。此后，将该模型展开为一个端到端网络，命名为 SMDS-Net，其基础模块与模型的去噪过程及优化无缝衔接。这使得 SMDS-Net 具有清晰的物理含义，即学习 HSIs 的低秩性与稀疏性。最后，所有关键变量（包括字典与阈值参数）均由端到端训练获得。大量实验与综合分析证实了本方法相对于当前最优 HSI 去噪方法的去噪能力与可解释性。
引用
@article{arxiv.2012.01829,
title = {SMDS-Net: Model Guided Spectral-Spatial Network for Hyperspectral Image Denoising},
author = {Fengchao Xiong and Shuyin Tao and Jun Zhou and Jianfeng Lu and Jiantao Zhou and Yuntao Qian},
journal= {arXiv preprint arXiv:2012.01829},
year = {2021}
}
备注
The experimental settings have been updated