Spatial-Spectral Transformer for Hyperspectral Image Denoising

要約

ハイパースペクトル画像 (HSI) ノイズ除去は、後続の HSI アプリケーションにとって重要な前処理手順です。
残念ながら、HSI ノイズ除去領域でのディープ ラーニングの発展を目の当たりにしているにもかかわらず、既存の畳み込みベースの方法は、計算効率と HSI の非局所特性をモデル化する機能との間のトレードオフに直面しています。
この論文では、この問題を軽減する空間スペクトル変換器 (SST) を提案します。
空間次元とスペクトル次元の両方で固有の類似性特性を完全に調査するために、トランスフォーマー アーキテクチャを使用して、非ローカル空間自己注意とグローバル スペクトル自己注意を実施します。
ウィンドウベースの空間的自己注意は、隣接領域を超えた空間的類似性に焦点を当てています。
一方、スペクトル自己注意は、相関性の高いバンド間の長距離依存関係を利用します。
実験結果は、提案された方法が、定量的品質と視覚的結果において最先端のHSIノイズ除去方法よりも優れていることを示しています。

要約(オリジナル)

Hyperspectral image (HSI) denoising is a crucial preprocessing procedure for the subsequent HSI applications. Unfortunately, though witnessing the development of deep learning in HSI denoising area, existing convolution-based methods face the trade-off between computational efficiency and capability to model non-local characteristics of HSI. In this paper, we propose a Spatial-Spectral Transformer (SST) to alleviate this problem. To fully explore intrinsic similarity characteristics in both spatial dimension and spectral dimension, we conduct non-local spatial self-attention and global spectral self-attention with Transformer architecture. The window-based spatial self-attention focuses on the spatial similarity beyond the neighboring region. While, spectral self-attention exploits the long-range dependencies between highly correlative bands. Experimental results show that our proposed method outperforms the state-of-the-art HSI denoising methods in quantitative quality and visual results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google