论文笔记23：谢卫莹两篇深度学习去噪论文

Hyperspectral imagery denoising by deep learning with trainable nonlinearity function(在笔记本上)

SSDRN: Deep convolutional networks with residual learning for accurate spectral-spatial denoising

基于张量分解的方法非常耗时。基于偏微分方程的方法总是手工制作的(handcrafted)，很难设计一个合适的偏微分方程去噪。

最近，提出了一种用于HSI去噪的具有可训练非线性函数的深度学习模型，该模型取得了优异的性能。然而，参数太多，光谱信息不能很好地保存。

残差学习与批量归一化的介绍。

我们最小化以下能量函数来实现光谱空间去噪：


光谱差异学习网络：


利用PCA来进行关键波段的选择，gray level co-occurrence matrix(GLCM) measures and Gabor features have been adopted to extract features.

HDnTSDL: Trainable spectral difference learning with spatial starting for hyperspectral image denoising

对上文的改进。我们提出了一种新的具有可训练非线性函数的CNN模型，该模型学习光谱差异映射。

基于张量分解的方法共同考虑了光谱空间信息，并有效地保留了原始光谱信息。然而，一个问题是核心张量和张量积的应用会导致信息压缩和空间细节的丢失。此外，基于张量分解的方法是耗时的。

我们通过在空间域和光谱域中实施约束来最小化以下能量函数

关键波段的选择同上文。

关键波段的去噪：下面为等式(5)
正则化项为：


能量函数(5)可以通过梯度下降法最小化：
框架如下：与2017的相同

在不同传感器采集的不同场景下，不同的高光谱图像中存在光谱畸变，这是高光谱图像中普遍存在的问题。

使用以下公式对TSDL的数据和标签进行了标准化：
TSDL的数据和标签同时被归一化为0和1之间的值。每个阶段损失函数为
这个中间阶段的优化叫做贪婪训练。贪婪训练预先训练每个阶段，以克服对深度模型初始化的敏感性。最后阶段$T$的干净和恢复之间的损失函数也被用来学习可训练参数：