A Tunable Despeckling Neural Network Stabilized via Diffusion Equation

要約

乗算ガンマ ノイズの除去は、合成開口レーダー (SAR) イメージングの応用において重要な研究分野であり、ニューラル ネットワークが強力なツールとして機能します。
ただし、現実世界のデータは理論モデルから乖離することが多く、さまざまな乱れが見られるため、ニューラル ネットワークの効率が低下します。
敵対的攻撃は、ニューラル ネットワークを無効にする最も極端な摂動を見つけることができるため、実際のデータに対するニューラル ネットワークの適応性を判断する基準として使用できます。
この研究では、拡散方程式は、その自然散逸的な性質により、ニューラル ネットワーク全体に十分な規則性を提供する正則化ブロックとして設計されています。
我々は、浅いノイズ除去ニューラル ネットワーク ブロックと拡散規則性ブロックをエンドツーエンドのトレーニング用の単一ネットワークに展開する、調整可能な正規化されたニューラル ネットワーク フレームワークを提案します。
固有の滑らかさとローパス フィルター特性で知られる線形熱方程式が拡散正則化ブロックとして採用されています。
私たちのモデルでは、単一のタイム ステップのハイパーパラメータが出力の滑らかさを制御し、動的に調整できるため、柔軟性が大幅に向上します。
私たちのモデルの安定性と収束性は理論的に証明されています。
実験結果は、提案されたモデルが敵対的攻撃によって引き起こされる高周波振動を効果的に除去することを示しています。
最後に、提案されたモデルは、シミュレートされた画像、敵対的サンプル、および実際の SAR 画像に対していくつかの最先端のノイズ除去方法に対してベンチマークされ、定量的評価と視覚的評価の両方で優れたパフォーマンスを達成します。

要約(オリジナル)

The removal of multiplicative Gamma noise is a critical research area in the application of synthetic aperture radar (SAR) imaging, where neural networks serve as a potent tool. However, real-world data often diverges from theoretical models, exhibiting various disturbances, which makes the neural network less effective. Adversarial attacks can be used as a criterion for judging the adaptability of neural networks to real data, since adversarial attacks can find the most extreme perturbations that make neural networks ineffective. In this work, the diffusion equation is designed as a regularization block to provide sufficient regularity to the whole neural network, due to its spontaneous dissipative nature. We propose a tunable, regularized neural network framework that unrolls a shallow denoising neural network block and a diffusion regularity block into a single network for end-to-end training. The linear heat equation, known for its inherent smoothness and low-pass filtering properties, is adopted as the diffusion regularization block. In our model, a single time step hyperparameter governs the smoothness of the outputs and can be adjusted dynamically, significantly enhancing flexibility. The stability and convergence of our model are theoretically proven. Experimental results demonstrate that the proposed model effectively eliminates high-frequency oscillations induced by adversarial attacks. Finally, the proposed model is benchmarked against several state-of-the-art denoising methods on simulated images, adversarial samples, and real SAR images, achieving superior performance in both quantitative and visual evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google