.png){kind=icon}
返回
Deep Equilibrium Convolutional Sparse Coding for Hyperspectral Image Denoising
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3603390.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSIs）在遥感中发挥着关键作用，但常受到复杂噪声模式的退化。确保去噪后HSIs的物理属性对于鲁棒HSI去噪至关重要，由此催生了基于深度展开的方法。然而，这些方法将物理模型的优化映射到一个具有预定深度的可学习网络，缺乏收敛保证。相比之下，深度平衡（DEQ）模型将深度网络的隐藏层视为固定点问题的解，并将其建模为无限深度网络，自然地与优化过程一致。在DEQ框架下，我们提出了一种深度平衡卷积稀疏编码（DECSC）框架，该框架整合了局部空间-光谱相关性、非局部空间自相似性以及全局空间一致性，以实现鲁棒HSI去噪。在卷积稀疏编码（CSC）框架内，我们通过强制共享2-D卷积稀疏表示来确保跨波段的全局空间一致性，同时非共享的3-D卷积稀疏表示捕捉局部空间-光谱细节。为进一步利用非局部自相似性，我们在2-D CSC之后嵌入了一个Transformer块。此外，我们将一个细节增强模块与3-D CSC集成，以促进图像细节保持。我们将CSC模型的近端梯度下降算法表述为固定点问题，并在DEQ框架内将其迭代更新转化为可学习的网络架构。实验结果表明，我们的DECSC方法相较于当前最优方法实现了更优的去噪性能。
Keyword:
Convolutional sparse coding (CSC)
deep equilibrium (DEQ) model
hyperspectral image (HSI) denoising
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
Hyperspectral Image Denoising Employing a Spatial-Spectral Deep Residual Convolutional Neural Network基于空间光谱深度残差卷积神经网络的高光谱图像去噪
OAAI
OAAI分享收藏Latent Diffusion Enhanced Rectangle Transformer for Hyperspectral Image RestorationLi, M.; Fu, Y.; Zhang, T.; Liu, J. 基于潜在扩散增强的矩形Transformer用于高光谱图像修复。IEEE Trans. Pattern Anal. Mach. Intell. 2025, 47, 549–564. [Google Scholar] [CrossRef]
PREAI
分享收藏Enhanced 3DTV Regularization and Its Applications on HSI Denoising and Compressed Sensing增强的3DTV正则化及其在HSI去噪和压缩感知中的应用
PREAI
分享收藏
查看更多内容