Abstract
正则化是稳健地解决病态优化问题的基本技术,是高光谱压缩图像重构的关键。
传统的正则化方法采用了多种手工制作的先验算法,但往往无法处理光谱种类繁多的自然高光谱图像,导致重建质量较差。
此外,先验正则化优化需要人工调整其权重参数,以达到结果图像的空间保真度和光谱保真度之间的平衡。
这篇文章提出了一种新的高光谱图像重建算法,以基于优化网络的数据驱动先验代替传统的手工先验。
该方法包括两个主要部分:
- 首先,其学习了一个新的数据驱动的先验,以提高空间光谱保真度为目标的优化问题。数据驱动先验学习的局部相干性和动态特征的自然高光谱图像。
- 其次,将正则化器与一个基于优化的网络相结合,以克服传统迭代优化方法的计算量大的问题。
通过端到端训练学习网络中的完整参数,使网络具有较高的鲁棒性能和精度。
Conclusion
这篇文章提出了一种新的高光谱图像重建方法,该方法优于现有的先进方法。
该方法有两个关键步骤,
- 学习一个新的数据驱动的先验来正则化优化问题以发掘 spatial-spectral 相关性
- 在优化启发网络上结合正则化实现端到端训练。
该重构方法也减少了计算量。作者还建立了一个原型系统来验证所提方法的有效性。
未来的研究方向是将该方法扩展到其他高光谱图像处理问题,如高光谱插值和去马赛克。
另一个方向是进一步加速该方法实现实时重建,从而能够获得视频帧率下的高光谱图像。
-
Previous
【深度学习】HyperReconNet: Joint Coded Aperture Optimization and Image Reconstruction for Compressive Hyperspectral Imaging -
Next
【深度学习】High-Speed Hyperspectral Video Acquisition By Combining Nyquist and Compressive Sampling