![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文笔记
文章平均质量分 88
love_lqz
math不好学我教你啊
展开
-
每日一篇论文推荐
每日一篇论文推荐原创 2022-07-08 18:30:11 · 1817 阅读 · 1 评论 -
论文笔记:NAFNet: Simple Baselines for Image Restoration
引言代码github.com/megvii-research/NAFNet原创 2022-04-19 21:44:22 · 3008 阅读 · 3 评论 -
论文笔记:MPRNet: Multi-Stage Progressive Image Restoration
MPRNet: Multi-Stage Progressive Image Restoration原创 2022-04-16 21:19:50 · 4619 阅读 · 2 评论 -
论文速读之SUNet、MAXIM、Restormer、MIRNet、SwinIR、HINet、MPRNet、CSRNet
论文速读之Restormer、MIRNet、SwinIR、HINet、MPRNet、CSRNet原创 2022-02-07 21:01:04 · 3241 阅读 · 0 评论 -
论文A Graph-Regularized Non-local Hyperspectral Image Denoising Method公式求助
论文A Graph-Regularized Non-local Hyperspectral Image Denoising Method公式求助原创 2021-12-25 19:04:46 · 317 阅读 · 0 评论 -
论文笔记45:Model-Guided Deep Hyperspectral Image Super-resolution
我们提出了一种基于深度HSI去噪器的迭代高光谱图像超分辨率(HSISR)算法,以利用领域知识可能性和深度图像先验。通过在端到端优化过程中考虑HSI的观测矩阵,我们展示了如何将迭代HSISR算法展开为一个新的模型引导深度卷积网络(MoG-DCN)。通过子网表示观测矩阵还允许展开的深度HSISR网络处理不同的HSI情况,这增强了MoG-DCN的灵活性。原创 2021-11-24 16:43:35 · 3251 阅读 · 10 评论 -
论文笔记44:ICCV2021-Hyperspectral Image Denoising with Realistic Data-新的数据集和噪声模型
在本文中,我们主要研究如何生成真实的数据集来学习和评估HSI去噪网络。一方面,我们收集一对真实HSI去噪数据集,该数据集由短曝光噪声HSI和相应的长曝光干净HSI组成。另一方面,我们提出了一个精确的HSI噪声模型,该模型能够很好地匹配真实数据的分布,并可用于合成真实数据集。在噪声模型的基础上,提出了一种标定给定高光谱相机噪声参数的方法。大量的实验结果表明,仅使用我们的噪声模型生成的合成数据学习的网络性能与使用成对真实数据学习的网络性能相同。原创 2021-11-06 22:28:56 · 2561 阅读 · 1 评论 -
论文笔记43:LRNet: Low-Rank Spatial-Spectral Network for Hyperspectral Image Denoising
通过将低秩物理特性集成到深度卷积神经网络中,所提出的LRNe同时具有DCNN的强大特征表示能力和干净HSI的隐式物理约束。首先,构建空间光谱空洞块(SSABs)以利用HSI的空间光谱特征。其次,这些空间光谱特征被转发到一个多空洞块(MAB),以聚合不同感受野中的上下文。第三,将不同层次的上下文特征和空间光谱特征串联起来,然后送入即插即用低秩模块(LRM)进行特征重构。在LRM的帮助下,低秩矩阵重构的工作流程可以以可微的方式简化。最后,利用低秩特征捕获HSI的潜在语义关系,恢复干净的HSI。原创 2021-10-26 11:59:15 · 3067 阅读 · 7 评论 -
论文笔记38:SA-Net: Shuffle Attention for Deep Convolutional Neural Networks(考虑引进论文)
SA首先将通道维数分组为多个子特征,然后并行处理它们。然后,对于每个子特征,SA利用一个Shuffle单元来描述空间和通道维度上的特征相关性。之后,所有子特征被聚集,并且采用“通道shuffle”算子来实现不同子特征之间的信息通信。原创 2021-02-05 23:03:48 · 522 阅读 · 1 评论 -
论文笔记35:3DADNet: Hyperspectral Image Denoising Using a 3-D Attention Denoising Network
我们设计了两个并行的分支来分别处理空间和光谱信息。位置注意力模块应用于空间分支,以在特征映射上形成相互依赖性,而通道注意力模块应用于光谱分支,以在两个分支组合之前模拟光谱相关性。在融合空间和光谱信息后,多尺度结构也被用来提取和融合多尺度特征。原创 2021-01-24 17:15:37 · 707 阅读 · 1 评论 -
论文笔记9:HSI-DeNet: Hyperspectral Image Restoration via Convolutional Neural Network
我们基于CNN的HSI去噪方法相对于以前的方法有三个优点。首先,通过直接学习每层中的滤波器而不破坏光谱空间结构,所提出的HSI-DeNet可以被视为基于张量的方法。第二,HSI-DeNet可以同时适应HSI中的各种噪声。此外,我们的方法通过稍微修改第一层和最后一层中的过滤器的通道,对于单个图像和多个图像都是灵活的。最后但同样重要的是,我们的方法在测试阶段非常快,这使得它在实际应用中更加实用。所提出的HSI-DeNet在几个HSI上进行了广泛的评估,在速度和性能方面都优于最先进的HSI-DeNet。原创 2021-01-13 21:29:37 · 1232 阅读 · 2 评论 -
论文笔记34:A New Multiscale Residual Learning Network for HSI Inconsistent Noise Removal
A New Multiscale Residual Learning Networkfor HSI Inconsistent Noise Removal原创 2021-01-03 20:30:10 · 330 阅读 · 3 评论 -
Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior
为了去除HSIs中的混合噪声,我们提出了空间光谱约束的深度图像先验(S2DIP),它同时以无监督的方式利用了CNN的高模型表示能力,并且不需要任何额外的训练数据。具体来说,我们使用可分离的3D卷积块在DIP框架中编码HSI,并且定制空间光谱全变分(SSTV)项来探索HSI的空间光谱平滑性。此外,我们的方法很好地解决了流行的无监督方法的半收敛行为,例如,DIP 2D和DIP 3D。原创 2020-12-09 22:02:00 · 549 阅读 · 2 评论 -
论文笔记30:Hyperspectral image restoration via CNN denoiser prior regularized low-rank tensor recovery
本文针对HSIs恢复任务,首先研究了传统物理恢复模型和去噪卷积神经网络的优点。对于HSIs的物理先验,基于Tucker分解的低秩张量近似可以充分探索空间域和光谱域的全局相关性。对于隐含先验,基于CNN的方法可以表示数学理论工具无法设计的先验。然后,结合这两种方法的优点,在灵活、可扩展的即插即用框架中引入了基于低秩张量近似的正则化的HSI恢复CNN。该模型可以用ADMM快速求解。原创 2020-12-08 20:30:42 · 679 阅读 · 0 评论 -
论文笔记29:Hyperspectral Image Denoising Using SURE-Based Unsupervised Convolutional Neural Networks
该方法基于无监督的CNN和SURE。该方法与现有的监督学习方法的主要区别在于,基于SURE的损失函数只能从噪声数据中计算。因为SURE是估计量的MSE的无偏估计,所以使用SURE损失训练CNN可以产生与在监督学习中使用具有GT的MSE相似的结果。此外,还提出了一种子空间版本的SURE-CNN来减少运行时间。原创 2020-12-07 20:21:10 · 857 阅读 · 0 评论 -
论文笔记28:Hyperspectral Image Denoising via Matrix Factorization and Deep Prior Regularization
本文提出了一种去除混合高斯脉冲噪声的HSI去噪框架,将去噪问题建模为卷积神经网络约束的非负矩阵分解问题。使用邻近(proximal)交替线性最小化,优化可以分为三个步骤:更新光谱矩阵,更新丰度矩阵和估计稀疏噪声。然后,我们设计了CNN的体系结构,并提出了两种训练方案,使得CNN可以用2D图像数据集进行训练。原创 2020-12-07 14:58:52 · 538 阅读 · 0 评论 -
论文笔记27:Hyperspectral Image Denoising With Dual Deep CNN
DD-CNN广泛探索了目标噪声图像和来自其他波段的干净参考图像之间的相似性。作为外部数据,基于结构相似性指数度量(SSIM)选择参考图像。DD-CNN由两个CNN组成:一个负责提取目标图像的特征,另一个负责从参考图像中提取特征。提出了一种新的激活函数来激活DD-CNN中的两种类型的特征。基于双重结构和新的激活函数,从参考图像中提取的外部特征被完全集成到目标噪声图像的内部特征中。原创 2020-12-05 22:25:57 · 608 阅读 · 0 评论 -
论文笔记26:3DADCNN: A 3-D Atrous Convolution Neural Network for Hyperspectral Image Denoising
该模型沿空间和光谱维度提取特征映射,并在不显著增加网络参数的情况下扩大感受野。同时,利用多分支多尺度结构降低训练难度,降低过拟合风险,并保留纹理细节。所提出的模型可以应用于光子和热噪声混合类型的受损图像。原创 2020-12-05 15:30:52 · 693 阅读 · 0 评论 -
论文笔记25:Zero-Shot Hyperspectral Image Denoising With Separable Image Prior
我们提出了一种新的自监督学习策略,用于高光谱图像恢复。我们的方法从单个退化图像自动创建训练数据集,并在没有任何清晰图像的情况下训练去噪网络。我们方法的另一个显著特点是使用了可分离的卷积层。我们通过实验证明,一个可分离的网络使我们能够获取高光谱图像的先验信息,并实现有效的恢复。原创 2020-12-04 19:18:42 · 486 阅读 · 0 评论 -
论文笔记24:两篇注意力机制去噪文章
ENHANCED NON-LOCAL CASCADING NETWORK WITH ATTENTION MECHANISM FOR HYPERSPECTRAL IMAGE DENOISING引言方法引言HDnTD、HSI-DeNet,然而,在这些方法中没有考虑HSI的空间光谱相关性。HSID-CNN也有一些缺点,例如,由于空间特征提取的不足,HSID-CNN在某些情况下不能很好地抑制HSI中的噪声。方法通道注意机制被用来增强通道间信号。...原创 2020-12-04 10:41:59 · 3615 阅读 · 1 评论 -
论文笔记23:谢卫莹两篇深度学习去噪论文
Deep convolutional networks with residual learning for accurate spectral-spatial denoising引言引言原创 2020-12-02 16:20:58 · 910 阅读 · 2 评论 -
论文笔记22:QRNN3D: 3D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising
本文提出了一种用于高光谱图像去噪的交替方向三维准递归神经网络,该网络能够有效地嵌入领域知识——结构空间-光谱相关性和沿光谱的全局相关性。具体来说,3D卷积被用来提取HSI中的结构空间-光谱相关性,而准递归池化函数被用来捕获沿光谱的全局相关性。此外,交替方向结构的引入消除了因果依赖,没有额外的计算成本。所提出的模型能够模拟空间-光谱相关性,同时保持对具有任意波段数的HSIs的灵活性。原创 2020-11-23 17:03:02 · 1173 阅读 · 0 评论 -
论文笔记21:Deep spatio-spectral Bayesian posterior for hyperspectral image non-i.i.d. noise removal
所提出的框架在深度空间-光谱贝叶斯后验(DSSBP)结构下,协作地对HSI中的非i.i.d.噪声嵌入和移除进行建模。具体地,非i.i.d.噪声估计、分布和去除过程都是用基于模型驱动的策略和基于数据驱动的策略来执行的。通过融合贝叶斯变分后验和深度卷积神经网络,该方法既继承了传统的基于模型驱动的HSI噪声建模方法的可靠性,又继承了基于数据驱动的参数学习方法的高效性。原创 2020-11-21 11:31:55 · 1034 阅读 · 0 评论 -
论文笔记20:FFDNet: Toward a Fast and Flexible Solution for CNN based Image Denoising
FFDNet,以可调噪声水平映射作为输入。该算法对下采样子图像进行快速推理,并采用正交正则化来提高泛化能力。(1)用单个网络有效处理大范围噪声水平(即[0,75])的能力,(2)通过指定非均匀噪声水平映射来消除空间变化噪声的能力,以及(3)即使在CPU上也比基准BM3D更快,而不牺牲去噪性能。原创 2020-11-19 19:52:23 · 6400 阅读 · 1 评论 -
论文笔记17:Total-Variation-Regularized Low-Rank Matrix Factorization for Hyperspectral Image Restoration
一般来说,从光谱的角度来看,HSIs不仅被假定位于低秩子空间中,而且被假定在空间维度上是分段平滑的。该方法将核范数、TV正则化和L1范数集成在一个统一的框架中。核范数用于挖掘光谱的低秩性质,而TV正则化用于探索空间分段平滑结构。同时,稀疏噪声包括条纹、脉冲噪声和死像素,通过L1范数正则化进行检测。为了权衡核范数和TV正则化,并进一步消除高斯噪声的高分辨率图像,我们还限制干净图像的秩不大于端元的数量。原创 2020-10-31 15:16:33 · 975 阅读 · 5 评论 -
论文速读16:Hyperspectral image denoising with superpixel segmentation and low-rank representation
首先,采用主成分分析(PCA)获得HSI的第一主成分。然后对第一个主成分采用超像素分割,得到同质区域。由于我们是通过主成分分析和超像素分割相结合来挖掘空间光谱信息的,所以它比简单地将空间光谱分割成正方形小块要好。最后,我们对HSI的每个同质区域使用LRR,这使我们能够同时去除所有上述不同类型(高斯、死像元和脉冲噪声等)的噪声。原创 2020-10-25 18:42:49 · 546 阅读 · 4 评论 -
论文笔记15:Hyperspectral Image Denoising via Noise-Adjusted Iterative Low-Rank Matrix Approximation
基于HSIs的低秩性质,建立了patchwise低秩矩阵逼近(LRMA)。为了进一步从信号子空间中分离噪声,提出了一种迭代正则化框架。考虑到不同波段的噪声强度不同,采用了基于每个HSI波段噪声方差的自适应迭代因子选择。这种调整噪声的迭代策略可以有效地保留高信噪比波段,对低信噪比波段进行去噪处理。然后利用随机奇异值分解(RSVD)方法求解该优化问题。原创 2020-10-13 16:18:15 · 591 阅读 · 1 评论 -
论文笔记14:Hyperspectral Image Denoising via Sparse Representation and Low-Rank Constraint
本文提出了一种在空间/光谱域联合利用全局和局部RAC的图像去噪方法。首先,稀疏编码被用来在空间域中建模全局RAC,在光谱域中建模局部RAC。噪声可以通过学习字典的稀疏近似数据来去除。在这一阶段,仅使用光谱域中的局部RAC,会造成光谱失真。为了弥补局部光谱RAC的不足,在光谱域采用低秩约束来处理全局RAC。原创 2020-10-08 20:24:09 · 636 阅读 · 3 评论 -
论文笔记13:Hyperspectral Image Denoising Employing a Spectral–Spatial Adaptive Total Variation Model
在HSI中,由于不同波段的噪声强度不同,为了更好地抑制高噪声强度波段的噪声,保持低噪声强度波段的细节信息,需要根据不同波段的噪声强度自适应调整去噪强度。同时,在同一波段内,存在着不同的空间属性区域,如均匀区域和边缘或纹理区域;为了减少均匀区域中的噪声并保留边缘和纹理信息,对不同空间属性区域的像素施加的去噪强度也应不同。本文提出了一种基于光谱-空间自适应全变分模型的HSI去噪算法,该算法在降噪过程中同时考虑了光谱噪声差异和空间信息差异。为了减少计算量,采用分裂Bregman迭代算法进行优化。原创 2020-10-28 17:07:51 · 579 阅读 · 0 评论 -
论文笔记汇总by LKP(毕业后会全部公布)
至少看100篇自己领域的文章原创 2020-09-21 14:07:03 · 744 阅读 · 0 评论 -
论文笔记10:Denoising and Dimensionality Reduction Using Multilinear Tools for Hyperspectral Images
多线性工具考虑数据整体处理联合空间和光谱方法。低秩-(K1,K2,K3)张量近似[LRTA-(K1,K2,K3)]被成功地应用于多向数据如彩色图像的去噪。首先,我们证明了LRTA-(K1,K2,K3)作为去噪预处理可以很好地改善分类结果。然后,我们提出了一种新的方法,称为LRTA_dr-(K1,K2,D3),它既执行空间低秩近似,又执行光谱降维。原创 2020-09-17 23:09:08 · 488 阅读 · 2 评论 -
论文笔记8:Decomposable Nonlocal Tensor Dictionary Learning for Multispectral Image Denoising
本文提出了一种有效的MSI去噪方法,通过组合考虑MSI的两个内在特征:空间上的非局部相似性和光谱的全局相关性。具体来说,通过显式地考虑MSI的空间自相似性,我们构造了一个具有群块稀疏性约束的非局部张量字典学习模型,使得相似的全波段块(FBP)共享来自空间字典和光谱字典的相同原子。此外,通过利用MSI的谱相关性和假设字典的过度冗余,可以将约束的非局部MSI字典学习模型分解为一系列无约束的低秩张量近似问题,这些问题很容易用现成的高阶统计量来解决。原创 2020-09-08 11:56:43 · 511 阅读 · 2 评论 -
论文笔记7:Image Blind Denoising With Generative Adversarial Network Based Noise Modeling
本文研究了一个典型的图像盲去噪问题,即从噪声图像中去除未知噪声。众所周知,基于判别学习的方法,如DnCNN,可以达到最先进的去噪效果,但由于缺乏成对训练数据,这些方法并不适用于这一问题。为了克服这个障碍,我们提出了一个新的两步框架。首先,训练一个生成性对抗网络来估计输入噪声图像上的噪声分布并生成噪声样本。其次,利用第一步采集的噪声块构造成对的训练数据集,再利用训练集训练深层卷积神经网络进行去噪。大量的实验证明了该方法在图像盲去噪方面的优越性。原创 2020-09-02 14:59:40 · 1609 阅读 · 5 评论 -
NTIRE 2020 Challenge on Real Image Denoising: Dataset, Methods and Results
一个关于真实图像去噪的比赛,以及一些比较新的神经网络去噪模型。原文链接:https://blog.csdn.net/LiuJiuXiaoShiTou/article/details/106474655转载 2020-08-16 12:40:05 · 604 阅读 · 0 评论 -
去噪论文速读1:Comparison of Image Denoising using Traditional Filter and Deep Learning Methods
其实主要是为了方便在手机上看,不用下载。转载 2020-08-10 21:35:42 · 184 阅读 · 0 评论 -
论文笔记6:Hyperspectral Image Restoration Using Low-Rank Matrix Recovery
高光谱图像在采集过程中经常受到各种噪声的影响,这些噪声包括高斯噪声、脉冲噪声、死线、条纹等。介绍了一种新的基于低秩矩阵恢复(LRMR)的HSI恢复方法,它可以同时去除高斯噪声、脉冲噪声、死线和条纹。通过将HSI块按字典顺序排列成二维矩阵,研究了高光谱图像的低秩性,表明干净的HSI块可以看作是低秩矩阵。然后我们将HSI恢复问题转化为LRMR框架。为了进一步去除混合噪声,采用Go分解算法求解LRMR问题。在模拟和真实数据条件下进行了多个实验,以验证所提出的基于LRMR的HSI恢复方法的性能。原创 2020-08-05 10:39:14 · 1797 阅读 · 1 评论 -
论文笔记5:Noise Reduction of Hyperspectral Imagery Using Hybrid Spatial-Spectral Derivative-Domain Wavel
论文笔记5:Noise Reduction of Hyperspectral Imagery Using Hybrid Spatial-Spectral Derivative-Domain Wavel原创 2020-07-30 21:01:01 · 527 阅读 · 0 评论 -
论文笔记4:两篇利用SVD去噪论文
论文笔记4:两篇利用SVD去噪论文原创 2020-07-22 21:00:48 · 3733 阅读 · 11 评论 -
论文笔记3:Deep Learning for Hyperspectral Image Classification: An Overview
论文笔记3:Deep Learning for Hyperspectral Image Classification: An Overview原创 2020-07-16 21:09:51 · 453 阅读 · 0 评论 -
论文笔记2:A Single Model CNN for Hyperspectral Image Denoising
论文笔记2:A Single Model CNN for Hyperspectral Image Denoising原创 2020-06-25 11:31:00 · 659 阅读 · 0 评论