论文笔记31:Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior
已更新为:Hyperspectral mixed noise removal via spatial-spectral constrained unsupervised deep image prior(new),有空再更新笔记
引言
参考:Deep image prior
Deep Hyperspectral Prior: Single-Image Denoising, Inpainting, Super-Resolution
噪声模型: Y = X + V \mathcal{Y}=\mathcal{X}+\mathcal{V} Y=X+V, Y ∈ R H × W × B \mathcal{Y}\in\mathbb{R}^{H\times W\times B} Y∈RH×W×B,高光谱数据是有限的,HSIs的真实噪声是复杂的。因此,在HSIs的现实复杂噪声场景下,很难保证高质量的去噪结果,因为训练数据中没有隐含/潜在的假设。
目前的DIP框架存在两个问题。首先,直接将2D卷积驱动的DIP扩展到三维卷积驱动的DIP,对HSI恢复的效果有限。此外,3D卷积带来了丰富的网络参数,导致DIP迭代过程中的高计算负担。(使用可分离3D卷积解决)
其次,DIP存在半收敛问题。半收敛指的是迭代方法的行为,即PSNR值在早期迭代开始增加,并且在某个“最优”迭代之后,PSNR值开始减小。因此,在拟合噪声之前,迭代需要通过参考最高PSNR值点处的GT图像来终止。(使用SSTV先验解决)
相关工作
CNN方法:训练过程的一般优化模型描述如下
DIP:用于HSI恢复的DIP的优化过程被表述为
其中
Z
\mathcal{Z}
Z为随机生成的网络输入,
Y
\mathcal{Y}
Y为需要重建的HSI,
N
=
H
×
W
×
B
N=H\times W\times B
N=H×W×B. 在网络参数随机初始化的情况下,优化问题可以使用像ADAM那样的梯度下降方法来获得。优化过程最终将收敛于噪声图像
f
Θ
∗
(
Z
)
f_{\Theta^*}(\mathcal{Z})
fΘ∗(Z),该图像在结构上几乎与观测值
Y
\mathcal{Y}
Y相同。然而,已经发现网络将首先拟合观测值的信号部分,然后拟合噪声部分。因此,可以通过在网络拟合噪声之前的适当步骤停止迭代来实现
Y
\mathcal{Y}
Y的去噪。
S2DIP
可分离的3D卷积使用2D核和1D核分别提取空间和光谱特征,以实现三维空间结构,同时减少网络参数。
为了解决半收敛问题,我们尝试手工制作的先验来约束DIP。在HSIs的三维结构中,考虑到空间光谱分段光滑性的空间光谱全变分项(SSTV)被精心选择作为损失函数中的正则项,以保证高质量的空间光谱信息恢复。
可分离的3D卷积编码解码网络:对于大小为 H × W × B H ×W ×B H×W×B的张量,可以利用大小为 n × n × k n×n×k n×n×k(大部分是3×3×3)的三维核,通过按顺序跨3个方向来利用空间信息和光谱信息。
可分离3D卷积将大小为3×3×3的3D核分解成大小为3×3×1和1×1×5的两个核,更少的卷积参数。
S2DIP框架:编码块中的卷积层数是解码块的两倍,以有利地编码数据。(图片看不清可以在原论文放大看)
SSTV约束DIP:垂直、水平和光谱方向的有限差分算子
X
\mathcal{X}
X的TV定义为
X
\mathcal{X}
X的SSTV定义为
我们在损失函数中引入了TV和SSTV,以探索在无监督条件下HSIs的空间和空间光谱局部平滑先验。通过重写式子(3),提出的优化模型可以描述为
根据经验设置
α
1
=
0.01
\alpha_1=0.01
α1=0.01,
α
2
=
1
\alpha_2=1
α2=1.
引入了基于相对误差和迭代步长(step)的自动停止准则(criterion):
这里,
O
k
∈
R
H
×
W
×
B
\mathcal{O}_k∈\mathbb{R}^{H×W×B}
Ok∈RH×W×B表示第
k
k
k个网络输出。具体来说,我们将参数
r
r
r和
k
m
a
x
k_{max}
kmax分别设置为
R
e
l
E
r
r
\mathbf{RelErr}
RelErr的容差(tolerance)和最大迭代步数(steps)。如果:1)第
k
k
k次迭代的
R
e
l
E
r
r
\mathbf{RelErr}
RelErr低于
r
r
r,或2)迭代次数
k
k
k超过
k
m
a
x
k_{max}
kmax,迭代将被终止。
R
e
l
E
r
r
\mathbf{RelErr}
RelErr评估优化过程的收敛程度(degree),而
k
m
a
x
k_{max}
kmax保证迭代的最终停止。