A Simple Adaptive Unfolding Network for Hyperspectral Image Reconstruction

要約

ハイパースペクトル画像 (HSI) 再構成のための適応代替最適化フレームワークを使用してネットワーク設計を簡素化する、シンプルで効率的でスケーラブルな展開ネットワーク、SAUNet を提示します。
SAUNet は Residual Adaptive ADMM Framework (R2ADMM) をカスタマイズして、学習可能なパラメーターのグループを介してネットワークの各ステージを接続し、事前マスクの使用を促進します。これにより、トレーニングが大幅に安定し、精度低下の問題が解決されます。
さらに、シンプルな畳み込み変調ブロック (CMB) を導入することで、トレーニングの効率化、スケールアップの容易化、計算量の削減を実現します。
これら 2 つの設計を結合することで、SAUNet は継続的な改善により、自明ではない 13 段階に拡張できます。
付加機能がなければ、SAUNet は以前の最先端の対応物と比較してパフォーマンスと速度の両方を向上させ、実用的な高解像度 HSI 再構成シナリオを実現可能にします。
CAVE および KAIST HSI 再構築ベンチマークで新記録を樹立しました。
コードとモデルは https://github.com/hustvl/SAUNet で入手できます。

要約(オリジナル)

We present a simple, efficient, and scalable unfolding network, SAUNet, to simplify the network design with an adaptive alternate optimization framework for hyperspectral image (HSI) reconstruction. SAUNet customizes a Residual Adaptive ADMM Framework (R2ADMM) to connect each stage of the network via a group of learnable parameters to promote the usage of mask prior, which greatly stabilizes training and solves the accuracy degradation issue. Additionally, we introduce a simple convolutional modulation block (CMB), which leads to efficient training, easy scale-up, and less computation. Coupling these two designs, SAUNet can be scaled to non-trivial 13 stages with continuous improvement. Without bells and whistles, SAUNet improves both performance and speed compared with the previous state-of-the-art counterparts, which makes it feasible for practical high-resolution HSI reconstruction scenarios. We set new records on CAVE and KAIST HSI reconstruction benchmarks. Code and models are available at https://github.com/hustvl/SAUNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google