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:
σ
^
e
=
E
(
y
;
W
e
)
\hat{\sigma}_{e}=E\left(y ; W_{e}\right)
σ^e=E(y;We),其中
σ
^
e
\hat{\sigma}_{e}
σ^e为每个波段的噪声映射,
W
e
W_e
We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 x x及其相邻波段 z z 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 , σ ^ e ) f_0=D_s(x,z,\hat{\sigma}_{e}) f0=Ds(x,z,σ^e),其中 f 0 f_0 f0为输出的特征映射, D s D_s Ds执行浅层特征提取操作。浅层特征映射 f 0 f_0 f0被传递到多尺度特征提取组件: f r = D m r ( f 0 ) f_r=D_{mr}(f_0) fr=Dmr(f0),其中 f r f_r fr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: y ^ = D r ( f r ) \hat{y}=D_r(f_r) y^=Dr(fr).
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
i
i个模块如下
f
i
=
MRM
i
(
MRM
i
−
1
(
⋯
(
MRM
0
(
f
0
)
)
⋯
)
)
f_{i}=\operatorname{MRM}_{i}\left(\operatorname{MRM}_{i-1}\left(\cdots\left(\operatorname{MRM}_{0}\left(f_{0}\right)\right) \cdots\right)\right)
fi=MRMi(MRMi−1(⋯(MRM0(f0))⋯))
全局损失函数为
Loss
(
θ
)
=
1
2
∑
i
=
1
N
∥
DNet
(
x
i
,
z
i
)
−
φ
i
∥
2
2
\operatorname{Loss}(\theta)=\frac{1}{2} \sum_{i=1}^{N}\left\|\operatorname{DNet}\left(x_{i}, z_{i}\right)-\varphi_{i}\right\|_{2}^{2}
Loss(θ)=21∑i=1N∥DNet(xi,zi)−φi∥22,其中
φ
i
=
x
i
−
y
i
\varphi_i=x_i-y_i
φi=xi−yi为第
i
i
i个残差噪声,
y
i
y_i
yi为干净的波段图像,
{
x
i
,
z
i
}
\{x_i,z_i\}
{xi,zi}为第
i
i
i个噪声波段和相邻的
K
K
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 i i个MRM中的这种处理可以定义为 f i = f i − 1 + D n r ( f i − 1 ) f_i=f_{i-1}+D_{nr}(f_{i-1}) fi=fi−1+Dnr(fi−1),其中 D n r D_{nr} Dnr为没有LRL的MRM操作。
实验
代码-未公布
https://github.com/OPTIMAL-HSIG/MSRHSID