Zero-Shot Hyperspectral Image Denoising With Separable Image Prior

1. 摘要

大量的高光谱数据收集起来比较困难,所以作者提出了一种自监督策略,可以从一张退化图像构建出训练数据来训练一个去噪网络而不需要任何干净数据。

另外,高光谱图像的光谱波段数一般比较多,计算负载较大,因此作者引入深度可分离卷积来实施去噪,既能捕获高光谱图像的结构先验又能减小模型复杂性。

2. 方法介绍

2.1. 深度可分离卷积的性能

现在,我们考虑一个图像填充任务。假设 \(A\in \{0, 1\}^{N*N}\),代表一个已知的随机采样矩阵,只给出与 \(A\) 相关的像素,我们想要恢复出整幅图像 \(x\)。只采用这些被 \(A\) 掩盖的点来计算均方误差,然后我们训练一个网络。

Zero-Shot Hyperspectral Image Denoising With Separable Image Prior

其中一个网络结构是八层卷积,每一层的参数大小为 \(3 × 3 × M× L\),\(M,L\) 分别代表输入和输出特征图的通道数。

另外一个网络结构是八层深度可分离卷积,包含一个参数大小为 \(3 × 3 × 1 × M\) 的深度卷积和一个参数大小为 \(1 × 1 × M × L\) 的点卷积。

Zero-Shot Hyperspectral Image Denoising With Separable Image Prior

实验结果如上图所示,可以看到,尽管深度可分离卷积的参数量更少,其性能却更加优越。

2.2. 自监督高斯去噪

考虑如下的去噪模型,

\[y=x+n \]

我们假设一个能从噪声观测 \(y\) 中恢复出干净信号 \(x\) 的网络也有能力从 \(y+n\) 恢复出 \(y\)。

所以,我们对输入噪声图片再加上噪声作为输入,而将原始的噪声图片作为目标来对网络进行训练,以此来达到自监督的目的。

Zero-Shot Hyperspectral Image Denoising With Separable Image Prior

网络结构如下图所示,大部分卷积采用深度可分离卷积操作。

Zero-Shot Hyperspectral Image Denoising With Separable Image Prior

3. 实验结果

Zero-Shot Hyperspectral Image Denoising With Separable Image Prior

获取更多精彩,请关注「seniusen」!

Zero-Shot Hyperspectral Image Denoising With Separable Image Prior

上一篇:旷视 2019 春季算法实习生面试总结


下一篇:点云特征调研报告2