基于无缝解卷积网络的高光谱成分分离
图像与视频处理
2024-09-10 v1
摘要
深度学习基于成分分离的方法近年来受到广泛关注并取得了显著的性能。这些方法采用数据驱动方法从高光谱图像中提取结构特征，但倾向于较少具有物理解释性。传统成分分离方法具有更大的可解释性，但需要手动设计正则化并选择惩罚参数。为克服这些限制，我们提出了一种新型成分分离方法，通过无缝解卷积算法构建深度架构。该方法集成了内部和外部先验知识。 carefully 设计的展开深度架构用于从高光谱图像中学习光谱和空间信息，我们称为内部先验。此外，我们的方法融合了在大量图像数据上预训练的深度去噪器，以利用外部先验。其次，我们设计了动态卷积来建模多尺度信息。不同尺度通过注意力模块进行融合。合成数据和真实数据实验结果表明，我们的方法在与对比方法之间表现出优异的性能。
引用
@article{arxiv.2409.04719,
title = {Unrolling Plug-and-Play Network for Hyperspectral Unmixing},
author = {Min Zhao and Linruize Tang and Jie Chen},
journal= {arXiv preprint arXiv:2409.04719},
year = {2024}
}