Mixed Attention Network for Hyperspectral Image Denoising

要約

ハイパースペクトル イメージのノイズ除去は、適切に考慮する必要がある非常に類似した相関関係のあるスペクトル情報に固有のものです。
ただし、既存の方法では、さまざまな帯域にわたるスペクトル相関と各帯域内の特徴の相互作用を調査する際に限界があります。
さらに、低レベルおよび高レベルの機能は通常、異なる空間スペクトル領域に対して異なる重要性を示しますが、これは現在のアルゴリズムでも完全には調査されていません。
この論文では、スペクトル間相関とスペクトル内相関、および低レベルと高レベルの空間スペクトルの意味のある特徴間の相互作用を同時に考慮する混合注意ネットワーク (MAN) を提示します。
具体的には、すべてのスペクトル帯域にわたってスペクトル間機能を効率的に統合するマルチヘッド反復スペクトル注意を導入します。
これらの機能は、スペクトル内の関係を調査することにより、プログレッシブ スペクトル チャネル アテンションでさらに強化されます。
さらに、エンコーダとデコーダからの低レベルおよび高レベルの空間スペクトル特徴の割合を適応的に制御して、集約された特徴をより適切に強化する、注意深いスキップ接続を提案します。
広範な実験により、MAN は、パラメーターと実行時間のコストを低く抑えながら、シミュレートされたノイズ設定と実際のノイズ設定で既存の最先端の方法よりも優れていることが示されています。

要約(オリジナル)

Hyperspectral image denoising is unique for the highly similar and correlated spectral information that should be properly considered. However, existing methods show limitations in exploring the spectral correlations across different bands and feature interactions within each band. Besides, the low- and high-level features usually exhibit different importance for different spatial-spectral regions, which is not fully explored for current algorithms as well. In this paper, we present a Mixed Attention Network (MAN) that simultaneously considers the inter- and intra-spectral correlations as well as the interactions between low- and high-level spatial-spectral meaningful features. Specifically, we introduce a multi-head recurrent spectral attention that efficiently integrates the inter-spectral features across all the spectral bands. These features are further enhanced with a progressive spectral channel attention by exploring the intra-spectral relationships. Moreover, we propose an attentive skip-connection that adaptively controls the proportion of the low- and high-level spatial-spectral features from the encoder and decoder to better enhance the aggregated features. Extensive experiments show that our MAN outperforms existing state-of-the-art methods on simulated and real noise settings while maintaining a low cost of parameters and running time.

arxiv情報

著者 Zeqiang Lai,Ying Fu
発行日 2023-01-27 04:02:35+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG, eess.IV パーマリンク