MrD's Blog

我干了什么究竟拿了时间换了什么

【TMM 2023】DADF-Net：Degradation-Aware Dynamic Fourier-Based Network for Spectral Compressive Imaging

Abstract 我们考虑高光谱图像（HSI）重建问题，旨在从由编码孔径快照光谱成像（CASSI）系统获取的2D压缩HSI测量中恢复3D高光谱数据。现有的深度学习方法在HSI重建中取得了可接受的结果。然而，这些方法没有考虑到成像系统的退化模式。在本文中，基于观察到的通过移动和分割测量获得的初始化HSI，我们提出了一种基于退化学习的动态傅里叶网络，称为退化感知动态傅里叶网络（DA...

Posted by ShawnD on April 18, 2024

【TGRS 2023】Learning Degradation-Aware Deep Prior for Hyperspectral Image Reconstruction

Abstract 从二维快照测量中重建三维高光谱图像（HSI）是光谱快照压缩成像（SCI）中的关键任务。传统的基于模型的 HSI 重建方法依赖于手工制定的先验知识。最近，深度展开网络（DUNs）使用卷积神经网络（CNNs）学习先验知识，并取得了令人满意的结果。大多数 DUNs 假设 SCI 的退化是已知的。然而，由于真实成像过程中存在相位畸变和失真问题，理想和实际的退化模式之间...

Posted by ShawnD on April 18, 2024

【ICCV 2023】PADUT：Pixel Adaptive Deep Unfolding Transformer for Hyperspectral Image Reconstruction

Abstract 高光谱图像（HSI）重建在深度展开框架的指导下取得了令人满意的进展，将问题分解为数据模块和先验模块。然而，现有方法仍然面临着与HSI数据匹配不足的问题。问题存在于三个方面： 1）数据模块中的固定梯度下降步骤，而HSI的退化在像素级别是不可知的。 2）3D HSI立方体的先验模块不足。 3）阶段互动忽略了不同阶段特征的差异。为了解决这些问题，在这项工作中，...

Posted by ShawnD on April 18, 2024

【Research & Writing】IEEE Template

How to Use the IEEEtran LATEX Templates Mathematical Typography and Why It Matters 数学公式的排版约定已经发展出来，以在数学文本中提供统一性和清晰度的展示。这使得读者能够理解作者的思想，并迅速掌握新概念。虽然像 LATEX 和 MathType® 这样的软件在正确使用时可以生成美观的数学公式，但也很容易误用...

Posted by ShawnD on April 17, 2024

【ICCV 2023】HSDT：Hybrid Spectral Denoising Transformer with Guided Attention

Abstract 在这篇论文中，我们提出了一种用于高光谱图像去噪的混合光谱去噪 Transformer（HSDT）。采用 Transformer 用于 HSI 的挑战来自于解决基于 CNN 的方法在捕获全局和局部空间-光谱相关性方面的现有限制，同时保持效率和灵活性的能力。为了解决这些问题，我们引入了一种混合方法，结合了两种模型的优势，包括空间-光谱可分离卷积（S3Conv）、引导光...

Posted by ShawnD on April 16, 2024

【TIP 2013】Nonlocal Image Restoration With Bilateral Variance Estimation：A Low-Rank Approach

Abstract 同时稀疏编码（SSC）或非局部图像表示在各种低级别视觉任务中显示出巨大潜力，导致了几种最先进的图像恢复技术，包括BM3D和LSSC。然而，它仍然缺乏一个关于为什么SSC是自然图像类别中比传统稀疏编码更好的模型的物理合理解释。与此同时，稀疏优化问题，特别是与字典学习纠缠在一起时，计算上难以解决。在本文中，我们采用低秩方法对SSC进行处理，并从双边方差估计的角度提...

Posted by ShawnD on April 15, 2024

【SPM 2023】Bayesian Deep Learning for Image Reconstruction From structured sparsity to uncertainty estimation

在基于模型的计算成像的常见做法将物理学成像模型、噪声特性和图像先验融入统一的贝叶斯框架中。深度学习的快速进展激发了一代新的数据驱动型计算成像系统，性能甚至超过了其基于模型的对应物。然而，基于学习的计算成像算法的设计常常缺乏透明度，使得完整优化整个成像系统变得困难。在本教程中，我们回顾了结合了基于模型和基于学习方法优势的深度学习的最新进展。通过将迭代优化展开成深度神经网络实现，我们可以为一首老...

Posted by ShawnD on April 15, 2024

【TNNLS 2023】LR2DP：Combining Low-Rank and Deep Plug-and-Play Priors for Snapshot Compressive Imaging

Abstract 快照压缩成像（SCI）是一种有前景的技术，通过压缩方式在二维探测器上捕获三维高光谱图像（HSI）。从相应的二维测量中重建HSI的逆问题是具有挑战性的。然而，当前的方法要么忽视了底层特征，如高光谱相关性，要么需要大量的训练数据集，导致在性能、泛化能力和可解释性之间无法达到充分的平衡。为了解决这些挑战，在本文中，我们提出了一种称为LR2DP的新方法，该方法将模型驱...

Posted by ShawnD on April 13, 2024

【TIP 2024】LRSDN：Hyperspectral Compressive Snapshot Reconstruction via Coupled Low-Rank Subspace Representation and Self-Supervised Deep Network

Abstract 编码孔径快照光谱成像（CASSI）是捕获三维高光谱图像（HSI）的重要技术，涉及从其对应的编码二维测量中重建三维HSI的逆问题。现有的基于模型和基于学习的方法要么无法探索不同 HSI 的隐含特征，要么需要大量配对数据进行训练，导致重建精度低或泛化性能差以及可解释性不足。为了弥补这些不足，本文提出了一种新的HSI重建方法，通过模型驱动的低秩子空间表示的公式，利用HS...

Posted by ShawnD on April 13, 2024

【ACMMM 2022】Real-World Blind Super-Resolution via Feature Matching with Implicit High-Resolution Priors

Abstract 真实图像超分辨率（SR）的关键挑战之一是恢复低分辨率（LR）图像中复杂未知退化（例如，降采样、噪声和压缩）中的缺失细节。大多数先前的工作在图像空间恢复这些缺失细节。为了应对自然图像的高多样性，它们要么依赖于难以训练并且容易产生伪影的不稳定GAN，要么依赖于通常不可用的高分辨率（HR）图像的明确参考。在这项工作中，我们提出了特征匹配SR（FeMaSR），它在更紧凑的...

Posted by ShawnD on March 17, 2024