- DDS2M: Самоконтролируемая диффузионная пространственно-спектральная модель шумоподавления для восстановления гиперспектральных изображений (arXiv)
Автор: Юйчунь Мяо, Лефей Чжан, Лянпэй Чжан, Дачэн Тао.
Аннотация: В последнее время диффузионные модели вызвали всплеск интереса из-за их впечатляющей производительности при восстановлении изображений, особенно с точки зрения устойчивости к шуму. Однако существующие методы, основанные на диффузии, обучаются на большом количестве обучающих данных и очень хорошо работают при распределении, но могут быть весьма восприимчивы к смещению распределения. Это особенно не подходит для восстановления гиперспектральных изображений (HSI) с недостатком данных. Чтобы решить эту проблему, в этой работе предлагается диффузионная модель с самоконтролем для восстановления HSI, а именно пространственно-спектральная модель шумоподавления (\texttt{DDS2M}), которая работает путем вывода параметров предлагаемого вариационного пространственно-спектрального модуля (VS2M). ) в процессе обратной диффузии, используя только ухудшенный HSI без каких-либо дополнительных обучающих данных. В VS2M функция потерь на основе вариационного вывода настраивается таким образом, чтобы необученные пространственные и спектральные сети могли изучать апостериорное распределение, которое служит переходами в цепочке дискретизации, помогая обратить вспять процесс диффузии. Благодаря своей самоконтролируемой природе и процессу диффузии \texttt{DDS2M} обладает более сильными возможностями обобщения для различных HSI по сравнению с существующими методами на основе диффузии и превосходной устойчивостью к шуму по сравнению с существующими методами восстановления HSI. Обширные эксперименты по шумоподавлению HSI, завершению шумовой HSI и суперразрешению на различных HSI демонстрируют превосходство \texttt{DDS2M} над существующими современными решениями для конкретных задач.
2.A2S-NAS: Поиск асимметричной спектрально-пространственной нейронной архитектуры для классификации гиперспектральных изображений (arXiv)
Автор: Линь Чжань, Цзяюань Фань, Пэн Е, Цзяньцзянь Цао.
Аннотация: Существующие работы по классификации гиперспектральных изображений (HSI) на основе глубокого обучения по-прежнему страдают от ограничения рецептивного поля фиксированного размера, что приводит к трудностям в различении спектрально-пространственных характеристик для наземных объектов различных размеров и произвольных форм. Между тем, многие предыдущие работы игнорируют асимметричные спектрально-пространственные измерения в HSI. Чтобы решить вышеуказанные проблемы, мы предлагаем многоэтапную архитектуру поиска, чтобы преодолеть асимметричные спектрально-пространственные измерения и зафиксировать важные особенности. Во-первых, асимметричное объединение по спектрально-пространственному измерению максимально сохраняет существенные черты HSI. Затем трехмерная свертка с выбираемым диапазоном рецептивных полей преодолевает ограничения ядер свертки фиксированного размера. Наконец, мы распространяем эти две операции поиска на разные уровни каждого этапа, чтобы построить окончательную архитектуру. Обширные эксперименты проводятся на двух сложных контрольных точках HSI, включая Indian Pines и Хьюстонский университет, и результаты демонстрируют эффективность предложенного метода с превосходной производительностью по сравнению с соответствующими работами.
