Pan-denoising: Guided Hyperspectral Image Denoising via Weighted Represent Coefficient Total Variation

要約

この論文では、\textit{pan-denoising} と呼ばれる、ハイパースペクトル画像 (HSI) ノイズ除去のための新しいパラダイムを紹介します。
特定のシーンでは、パンクロマティック (PAN) 画像は HSI と同様の構造とテクスチャをキャプチャしますが、ノイズは少なくなります。
これにより、PAN イメージを利用して HSI ノイズ除去プロセスをガイドできるようになります。
したがって、追加の事前分布を組み込んだパンノイズ除去は、従来の HSI ノイズ除去手法の内部情報モデリングを超えて、基礎となる構造と詳細を明らかにする可能性があります。
ただし、この追加の事前確率を適切にモデル化することは、重大な課題を引き起こします。
この問題を軽減するために、この論文では、新しい正則化用語であるパンクロマティック加重表現係数合計変動 (PWRCTV) を提案しています。
PAN 画像の勾配マップを使用して、各ピクセルに TV 正則化の異なる重みを自動的に割り当てます。その結果、滑らかな領域にはより大きな重みが、エッジにはより小さな重みが得られます。
この正則化はパンノイズ除去モデルの基礎を形成し、乗算器の交互方向法を使用して解決されます。
合成データセットと現実世界のデータセットに関する広範な実験により、PWRCTV がメトリクスと視覚的品質の点でいくつかの最先端の方法よりも優れていることが実証されました。
さらに、HSI 分類実験では、前処理方法として PWRCTV が下流の分類タスクのパフォーマンスを向上できることが確認されています。
コードとデータは https://github.com/shuangxu96/PWRCTV で入手できます。

要約(オリジナル)

This paper introduces a novel paradigm for hyperspectral image (HSI) denoising, which is termed \textit{pan-denoising}. In a given scene, panchromatic (PAN) images capture similar structures and textures to HSIs but with less noise. This enables the utilization of PAN images to guide the HSI denoising process. Consequently, pan-denoising, which incorporates an additional prior, has the potential to uncover underlying structures and details beyond the internal information modeling of traditional HSI denoising methods. However, the proper modeling of this additional prior poses a significant challenge. To alleviate this issue, the paper proposes a novel regularization term, Panchromatic Weighted Representation Coefficient Total Variation (PWRCTV). It employs the gradient maps of PAN images to automatically assign different weights of TV regularization for each pixel, resulting in larger weights for smooth areas and smaller weights for edges. This regularization forms the basis of a pan-denoising model, which is solved using the Alternating Direction Method of Multipliers. Extensive experiments on synthetic and real-world datasets demonstrate that PWRCTV outperforms several state-of-the-art methods in terms of metrics and visual quality. Furthermore, an HSI classification experiment confirms that PWRCTV, as a preprocessing method, can enhance the performance of downstream classification tasks. The code and data are available at https://github.com/shuangxu96/PWRCTV.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google