Tensor non-local low-rank regularization for recovering compressed hyperspectral images

最新推荐文章于 2022-11-08 22:13:06 发布
最新推荐文章于 2022-11-08 22:13:06 发布
阅读量336 收藏
点赞数 2
分类专栏： 张量 文章标签： 人工智能 计算机视觉 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42245856/article/details/114701378
版权

一：Tensor non-local low-rank regularization for recovering compressed hyperspectral images
作者：Yongqiang Zhao*, Jize Xue and Jinglei Hao（2017，IEEE）
研究现状：现有的HSI-CR（压缩恢复）方法大多是在空间和光谱域对高光谱立方体进行矢量化处理，在恢复过程中会破坏空间和光谱相关性，造成空间和光谱信息失真。同时，矢量化也使得HSI固有的结构稀疏性得不到充分利用。
本文：本文提出一种张量非局部低秩正则化(TNLR)方法，利用patch分组和张量低秩近似对HSI-CR恢复进行了正则化。
因此，对于每个patch，我们将一组类似的HSI 3D全波段patch(FBP)组成三阶张量Yp。由于每个patch组包含相似的结构，其恢复张量Xp的秩较低，可以认为是一个有用的图像先验。为了有效地解决秩极小化问题，利用凸张量核范数刻画了张量的非局部低秩性质。因此，HSI-CR任务需要解决一个优化问题，而这个优化问题可以用ADMM有效地解决。
立方体->小立方体->knn->FBP(低秩属性)在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Think.
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Compressive Sensing via Nonlocal Low-Rank Regularization论文总结
王小萌的小世界
06-05 1540
Abstract：  In this paper, we propose a nonlocal low-rank regularization (NLR) approach toward exploiting structured sparsity and explore its application into CS of both photographic and MRI images.   ...
Compressive Sensing via Nonlocal Low-Rank Regularization
04-23
非局部低秩进行压缩感知重建 总体想法： 1.对图像进行块匹配， 2.对得到的相似块集合Xi = [ xi0,xi1,…,xim] 进行低秩 3.对低秩后的矩阵进行图像恢复（Image Recovery）
Non-Local Low-Rank Normal Filtering for Mesh Denoising
gg_huaer的博客
04-01 655
这是在 Computer Graphics Forum2018上的一篇文章 LiXZ, ZhuL, FuCW, HengPA. Non-local low-rank normal filtering for mesh denoising[J]. Computer Graphics Forum,2018, 37(7): 155-166 这篇文章主要讲了一种非局部的低阶法向滤...
Intra-class low-rank regularization for supervised and semi-supervised cross-modal retrieval
qq_24876435的博客
03-10 2219
原文链接：Intra-class low-rank regularization for supervised and semi-supervised cross-modal retrieval | SpringerLink 监督和半监督的跨模态检索类内低秩正则化 摘要：跨模态检索旨在跨不同模态检索相关项，例如，使用图像查询来检索相关文本。现有的深度方法在融合多种模态时忽略了模态内和模态间的类内低秩结构，降低了检索性能。本文提出了两种基于类内低秩正则化的深度模型，分别用于监督和半监督跨模态检索. 具体来
Nonlocal Tensor Sparse Representation and Low-Rank Regularization for Hyperspectral Image Compressiv
weixin_42245856的博客
03-12 405
二：Nonlocal Tensor Sparse Representation and Low-Rank Regularization for Hyperspectral Image Compressive Sensing Reconstruction (remote sensing，2019) 作者：Jize Xue, Yongqiang Zhao, Wenzhi Liao and Jonathan Cheung-Wai Chan 单位：西北工业大学、Ghent University、Universite
TENSOR NON-LOCAL LOW-RANK REGULARIZATION FOR RECOVERING COMPRESSED HYPERSPECTRAL IMAGES
02-21
【摘要】：高光谱图像压缩恢复（HSI-CR）是遥感图像处理领域中的一个关键问题。现有的基于稀疏性的方法在HSI-CR中广泛应用，但这些方法通常通过将高光谱立方体在空间和光谱域内向量化，破坏了空间和光谱的关联性，...
LRTDTV(released_version).zip_Low-Rank Tensor_decomposition_low r
07-14
为了恢复高光谱图像的原始细节和清晰度，研究人员提出了多种处理方法，其中低秩张量分解（Low-Rank Tensor Decomposition, LRTD）已经成为一个热门的研究方向。 低秩张量分解的核心思想是利用数据的内在低秩性来...
Spatial–spectral total variation regularized low-rank tensor decomposition for hyperspectral image denoising
02-08
Several bandwise total variation (TV) regularized low-rank (LR)-based models have been proposed to remove mixed noise in hyperspectral images (HSIs). These methods convert high-dimensional HSI data ...
A non-convex tensor rank approximation for tensor completion
02-22
A non-convex tensor rank approximation for tensor completion
Hyperspectral Dimensionality Reduction by Tensor Sparse and Low-Rank Graph-Based Discriminant Analysis
02-07
Hyperspectral Dimensionality Reduction by Tensor Sparse and Low-Rank Graph-Based Discriminant Analysis
Image Denoising via Low Rank Regularization Exploiting Intra and Inter Patch Correlation论文总结
王小萌的小世界
06-19 518
摘要1、 In this paper, we propose to jointly exploit both intra- and inter-patch correlation of the input image, so as tofurther reduce the uncertainty of the unknown signal, and thus improve the predict...
ECCV2020-RecoNet-语义分割Non Local进化系列 | Tensor Low-Rank Reconstruction for Semantic Segmentation
weixin_42096202的博客
09-20 844
算是Non-Local体系的一个进化吧，降低100倍计算量的情况下，有效捕获全局上下文信息。期待源码、 论文地址：https://arxiv.org/pdf/2008.00490.pdf Github地址：https://github.com/CWanli/RecoNet Abstract： 上下文信息在语义分割任务中起着不可或缺的作用。最近，事实证明了基于non-local自注意力的方法对于上下文信息的聚合是有效的。由于所需的上下文包含空间注意力和通道注意力，因此3D表示是一种适当的表达方式。但是，.
论文笔记17：Total-Variation-Regularized Low-Rank Matrix Factorization for Hyperspectral Image Restoration
Hermite Lee的博客
10-31 952
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。
Papers with code in image denoising(Constantly updated)
Hermite Lee的博客
07-31 2002
Papers with code in denoising 图像去噪代码
论文笔记9：HSI-DeNet: Hyperspectral Image Restoration via Convolutional Neural Network
Hermite Lee的博客
01-13 1227
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。
基于低秩张量的高光谱图像重建理论基础-基础知识学习
SmartLab307的博客
11-08 2717
原文《基于张量低秩稀疏恢复理论的遥感高光谱图像降噪研究》
论文笔记30：Hyperspectral image restoration via CNN denoiser prior regularized low-rank tensor recovery
Hermite Lee的博客
12-08 671
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。
张量分解与低秩近似
binger520886的博客
07-21 1659
什么是张量：https://blog.csdn.net/wzy628810/article/details/106993982 youtube讲解视频链接：https://www.youtube.com/watch?v=f5liqUk0ZTw [张量论文汇总](https://blog.csdn.net/sinat_38856440/article/details/104450094?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159530
论文阅读笔记：Low-Rank Tensor Graph Learning for Multi-view Subspace Clustering(LRTG)
qq_34844049的博客
02-22 1441
@[TOC](Low-Rank Tensor Graph Learning for Multi-view Subspace Clustering(LRTG)) ★论文笔记-Low-Rank Tensor Graph Learning for Multi-view Subspace Clustering(LRRG) 文章链接：https://www.researchgate.net/publication/349011448_Low-Rank_Tensor_Graph_Learning_for_Multi-v
TypeError: cannot unpack non-iterable ToTensor object
最新发布
09-26
TypeError: cannot unpack non-iterable ToTensor object 错误的原因是你不能对一个非可迭代对象进行解包操作。解包操作通常用于将一个可迭代对象的元素分别赋值给多个变量。在这种情况下，ToTensor对象不能被解包。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值