STAR-Net：一种用于遥感图像去噪的可解释模型辅助网络
计算机视觉与模式识别
2025-06-02 v1 机器学习
摘要
遥感图像（RSI）去噪是遥感领域的一个重要课题。尽管 RSI 去噪方法取得了令人瞩目的去噪性能，但当前大多数基于深度学习的方法以黑盒方式运行，且缺乏与物理信息模型的结合，导致可解释性受限。此外，许多方法可能对 RSI 中的非局部自相似性关注不足，并且需要繁琐的正则化参数调优才能达到最优性能，这在传统迭代优化方法中尤为明显。在本文中，我们首先提出了一种名为稀疏张量辅助表示网络（STAR-Net）的新型 RSI 去噪方法，该方法利用低秩先验有效捕获 RSI 内部的非局部自相似性。进一步，我们将 STAR-Net 扩展为名为 STAR-Net-S 的稀疏变体，以处理原始 RSI 中由非高斯噪声引起的干扰，从而提高鲁棒性。不同于传统的迭代优化，我们开发了一种交替方向乘子法（ADMM）引导的深度展开网络，其中所有正则化参数均可自动学习，从而继承了基于模型与基于深度学习方法的各自优势，并成功解决了上述缺陷。在合成数据集与真实世界数据集上的综合实验表明，STAR-Net 与 STAR-Net-S 优于现有的 SOTA RSI 去噪方法。
引用
@article{arxiv.2505.24327,
title = {STAR-Net: An Interpretable Model-Aided Network for Remote Sensing Image Denoising},
author = {Jingjing Liu and Jiashun Jin and Xianchao Xiu and Jianhua Zhang and Wanquan Liu},
journal= {arXiv preprint arXiv:2505.24327},
year = {2025}
}