Tuning-free Plug-and-Play Hyperspectral Image Deconvolution with Deep Priors

要約

デコンボリューションは、取得デバイスによって生成されるハイパースペクトル画像 (HSI) のぼやけやノイズの多い劣化を軽減するために広く使用されている戦略です。
この問題は通常、不適切な設定の逆問題を解くことによって解決されます。
適切な画像事前分布を調査することでデコンボリューションのパフォーマンスを向上させることができますが、強力な正則化を手作りして正則化パラメーターを設定することは簡単ではありません。
これらの問題に対処するために、このホワイト ペーパーでは、HSI デコンボリューション用のチューニング不要のプラグ アンド プレイ (PnP) アルゴリズムを紹介します。
具体的には、乗数の交互方向法 (ADMM) を使用して、最適化問題を 2 つの反復サブ問題に分解します。
柔軟なブラインド 3D ノイズ除去ネットワーク (B3DDN) は、深い事前確率を学習し、さまざまなノイズ レベルでノイズ除去サブ問題を解決するように設計されています。
次に、二次サブ問題を解く際のペナルティ パラメータと停止基準を調整するために、3D 残留白色度の測定値が調査されます。
グラウンドトゥルースを使用したシミュレートされたデータと実世界のデータの両方に関する実験結果は、提案された方法の優位性を示しています。

要約(オリジナル)

Deconvolution is a widely used strategy to mitigate the blurring and noisy degradation of hyperspectral images~(HSI) generated by the acquisition devices. This issue is usually addressed by solving an ill-posed inverse problem. While investigating proper image priors can enhance the deconvolution performance, it is not trivial to handcraft a powerful regularizer and to set the regularization parameters. To address these issues, in this paper we introduce a tuning-free Plug-and-Play (PnP) algorithm for HSI deconvolution. Specifically, we use the alternating direction method of multipliers (ADMM) to decompose the optimization problem into two iterative sub-problems. A flexible blind 3D denoising network (B3DDN) is designed to learn deep priors and to solve the denoising sub-problem with different noise levels. A measure of 3D residual whiteness is then investigated to adjust the penalty parameters when solving the quadratic sub-problems, as well as a stopping criterion. Experimental results on both simulated and real-world data with ground-truth demonstrate the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google