H2TF for Hyperspectral Image Denoising: Where Hierarchical Nonlinear Transform Meets Hierarchical Matrix Factorization

要約

タイトル：階層的非線形変換と階層的行列因子分解が出会う場所-超スペクトル画像のノイズ除去のためのH2TF-

要約：

– 張量の特異値分解（T-SVD）は、最近、超スペクトル画像（HSI）処理の有望なツールとして登場した。
– T-SVDには 、(i)低ランク強化変換と(ii)変換フロントスライスの伴随低ランク描述子の2つの主要な構成要素がある。
– これまでのT-SVD法は主に（i）の開発に焦点を当ててきたが、変換フロントスライスの正確な表現という重要な側面を無視してきた。
– この論文では、階層的非線形変換（HNT）と階層的行列因子分解（HMF）の潜在性を利用し、新しいテンソル因子分解を確立するために両方の構成要素の可能性を探る（H2TFと呼ばれる）。
– H2TFは、低ランク行列分解またはその凸代替物などの浅い対応物よりも、階層的モデリング能力により、変換フロントスライスの複雑な構造をよりよく捕捉できる。
– その後、H2TFベースのHSIのノイズ除去モデルを提案し、結果のモデルを対処するための交代方向法に基づく多目的アルゴリズムを開発した。
– 広範な実験は、当社の方法が最先端のHSIノイズ除去方法よりも優れていることを検証している。

要約(オリジナル)

Recently, tensor singular value decomposition (t-SVD) has emerged as a promising tool for hyperspectral image (HSI) processing. In the t-SVD, there are two key building blocks: (i) the low-rank enhanced transform and (ii) the accompanying low-rank characterization of transformed frontal slices. Previous t-SVD methods mainly focus on the developments of (i), while neglecting the other important aspect, i.e., the exact characterization of transformed frontal slices. In this letter, we exploit the potentiality in both building blocks by leveraging the \underline{\bf H}ierarchical nonlinear transform and the \underline{\bf H}ierarchical matrix factorization to establish a new \underline{\bf T}ensor \underline{\bf F}actorization (termed as H2TF). Compared to shallow counter partners, e.g., low-rank matrix factorization or its convex surrogates, H2TF can better capture complex structures of transformed frontal slices due to its hierarchical modeling abilities. We then suggest the H2TF-based HSI denoising model and develop an alternating direction method of multipliers-based algorithm to address the resultant model. Extensive experiments validate the superiority of our method over state-of-the-art HSI denoising methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI