Self-supervised Deep Hyperspectral Inpainting with the Plug and Play and Deep Image Prior Models

要約

ハイパースペクトル画像は通常、何百もの狭く連続したスペクトル帯域で構成されており、それぞれのスペクトル帯域には、画像化されたシーンのマテリアル構成に関する情報が含まれています。
ただし、これらの画像は、ノイズ、歪み、データ損失などのさまざまな原因の影響を受ける可能性があり、品質や有用性が大幅に低下する可能性があります。
このペーパーでは、以前に報告された DHP の不安定性の問題にうまく対処する収束保証アルゴリズム LRS-PnP-DIP(1-Lip) を紹介します。
提案されたアルゴリズムは、成功した低ランクおよびスパースの結合モデルを拡張し、従来の、場合によっては制限的な部分空間モデルの結合を超えて、基礎となるデータ構造をさらに活用します。
安定性解析は、提案されたアルゴリズムが穏やかな仮定の下で収束することを保証します。これは、現実世界のシナリオに適用するために非常に重要です。
広範な実験により、提案されたソリューションが視覚的および定量的に優れた修復結果を一貫して提供し、最先端のパフォーマンスを確立していることが実証されました。

要約(オリジナル)

Hyperspectral images are typically composed of hundreds of narrow and contiguous spectral bands, each containing information regarding the material composition of the imaged scene. However, these images can be affected by various sources of noise, distortions, or data loss, which can significantly degrade their quality and usefulness. This paper introduces a convergent guaranteed algorithm, LRS-PnP-DIP(1-Lip), which successfully addresses the instability issue of DHP that has been reported before. The proposed algorithm extends the successful joint low-rank and sparse model to further exploit the underlying data structures beyond the conventional and sometimes restrictive unions of subspace models. A stability analysis guarantees the convergence of the proposed algorithm under mild assumptions , which is crucial for its application in real-world scenarios. Extensive experiments demonstrate that the proposed solution consistently delivers visually and quantitatively superior inpainting results, establishing state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google