论文笔记34：A New Multiscale Residual Learning Network for HSI Inconsistent Noise Removal

引言

2-D CNN：HDnTD、HSI-DeNet、HSID-CNN、HSI-SDeCNN

3-D CNN：DSSRL、3DADCNN(虽然3DADCNN取得了令人印象深刻的去噪效果，但仍然存在内存大、时间开销大等缺点，需要进一步改进)

虽然上述方法在特定情况下取得了相对较好的降噪性能，但仍然存在一些缺点。比如网络层的增加可能会带来更好的恢复能力，但也意味着参数和计算时间的增长。此外，现有的去噪网络大多侧重于去除固定噪声，不适用于未知噪声去噪。由于HSI-SDeCNN在图像去噪之前有一个噪声水平估计阶段，因此能够处理未知的噪声图像。然而，它仍然存在恢复具有不一致噪声的HSI的缺点。具体来说，所有的噪声波段都被估计为固定的噪声强度，这对于恢复具有未知和不一致噪声的噪声波段是不鲁棒的。

方法

噪声估计：${\hat{\sigma }}_e=E\left(y;W_e\right)$，其中${\hat{\sigma }}_e$为每个波段的噪声映射，$W_e$为ENet的网络参数。ENet是一个15层的全卷积网络。

给定HSIs中的单个输入噪声波段$x$及其相邻波段$z$，具有一个卷积层的浅层特征提取层的操作可以定义为$f_0=D_s(x,z,{\hat{\sigma }}_e)$，其中$f_0$为输出的特征映射，$D_s$执行浅层特征提取操作。浅层特征映射$f_0$被传递到多尺度特征提取组件：$f_r=D_{mr}(f_0)$，其中$f_r$为输出特征。多尺度特征提取组件的输出特征将被馈送到最后的重建层，并进一步产生最终的清晰图像：$\hat{y}=D_r(f_r)$.

采用双线性采样卷积层来代替传统的大核卷积，双线性采样卷积层由双线性下采样部分、卷积层和双线性上采样部分组成。双线性采样卷积层嵌入在我们的MRM(多尺度残差模块)，MRM的第$i$个模块如下
$$f_i={\mathrm{MRM}}_i\left({\mathrm{MRM}}_{i-1}\left(\cdots \left({\mathrm{MRM}}_0\left(f_0\right)\right)\cdots \right)\right)$$

全局损失函数为$\mathrm{Loss}(\theta )=\frac{1}{2}{\sum }_{i=1}^N{\Vert \mathrm{DNet}\left(x_i,z_i\right)-{\phi }_i\Vert }_2^2$，其中${\phi }_i=x_i-y_i$为第$i$个残差噪声，$y_i$为干净的波段图像， { x i , z i } \{x_i,z_i\} {xi​,zi​}为第$i$个噪声波段和相邻的$K$个噪声波段。

提出了局部残差学习(LRL)结构，使浅层特征映射在整个网络中流动。我们提出的第$i$个MRM中的这种处理可以定义为$f_i=f_{i-1}+D_{nr}(f_{i-1})$，其中$D_{nr}$为没有LRL的MRM操作。

实验

代码-未公布

https://github.com/OPTIMAL-HSIG/MSRHSID