基于卷积和注意力网络的高光谱图像去噪
提出了一种混合的空间 - 光谱去噪网络 (HSSD),该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络,以高效地捕获本地和非本地空间细节,同时抑制噪声,从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题,并采用简单但有效的分离策略降低了计算复杂性,通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明,我们提出的方法在空间和光谱重建方面优于最先进的方法。
Jun, 2024
本文提出了一种名为 MAFNet 的多尺度自适应融合网络用于去噪高光谱图像,该网络由逐步扩展的多尺度信息聚合网络和协同注意力融合模块组成,可以有效保留丰富的光谱结构并取得比其他技术更好的去噪性能,论文代码可供参考。
Apr, 2023
本文提出了一种基于深度学习的方法,通过使用混合空间谱卷积神经网络(HSID-CNN)学习噪声和清晰 HSI 之间的非线性端到端映射来对 HSI 图像进行去噪处理,并通过多尺度特征提取和多级特征表达来捕捉多尺度空间 - 频谱特征并融合不同级别的特征表示来进行最终还原,实验结果表明,该方法在定量评估指标、视觉效果和 HSI 分类准确率方面均优于许多主流方法。
Jun, 2018
提出了一种自调制卷积神经网络(SM-CNN)用于高光谱图像去噪,通过利用相关的光谱和空间信息,该网络能够根据相邻的光谱数据自适应地转换特征,提高处理复杂噪声的能力,实验证明在合成和真实数据上,SM-CNN 在公共基准数据集上在定量和定性上均优于其他最先进的高光谱图像去噪方法。
Sep, 2023
本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet,该方法采用了双重 CNN 结构和噪声估计网络,实现了对实际噪声和合成噪声的有效压制。
Apr, 2023
本文提出了一种基于流的高光谱图像去噪网络(HIDFlowNet),用于直接学习给定噪声高光谱图像的清洁图像的条件分布,从而可以从条件分布中采样出不同的清洁图像。实验结果表明,与其他现有方法相比,我们的方法在模拟和真实高光谱图像数据集上具有更好的去噪效果。
Jun, 2023
通过深度学习技术的发展,本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题,并设计了一种层次化注意力网络(HANet),以提高检测性能。
Apr, 2024
本文提出了一种基于 Transformer 的深入展开高光谱图像去噪方法 —— 降噪 - 噪声感知展开网络 (DNA-Net), 其使用 U-Shaped Local-Non-local-Spectral Transformer (U-LNSA) 捕获了光谱相关性、局部内容和非局部依赖性。实验结果表明,DNA-Net 优于目前最先进的方法,并且噪声分布的建模对于噪声严重的情况有所帮助。
May, 2023
本文提出了一种谱增强矩形 Transformer 用于处理高光谱图像去噪问题,该方法利用矩形 self-attention 捕捉空间域中的非局部相似性和全局光谱低秩特性,设计了谱增强模块来提取空间光谱立方体的全局低秩特性以抑制噪声,实验结果表明该方法在客观指标和主观视觉质量上都具有有效性。
Apr, 2023
使用深度学习方法,我们提出了一种名为 SpectralKAN 的光谱 Kolmogorov-Arnold 网络,用于高光谱图像变化检测(HSIs-CD),通过多变量连续函数及激活函数组合进行特征提取和分类,并成功验证了其在 HSIs-CD 的高准确性和较低的资源需求。
Jul, 2024