Hermite Lee的博客

CVPR 2022

高光谱图像在采集过程中经常受到各种噪声的影响，这些噪声包括高斯噪声、脉冲噪声、死线、条纹等。介绍了一种新的基于低秩矩阵恢复（LRMR）的HSI恢复方法，它可以同时去除高斯噪声、脉冲噪声、死线和条纹。通过将HSI块按字典顺序排列成二维矩阵，研究了高光谱图像的低秩性，表明干净的HSI块可以看作是低秩矩阵。然后我们将HSI恢复问题转化为LRMR框架。为了进一步去除混合噪声，采用Go分解算法求解LRMR问题。在模拟和真实数据条件下进行了多个实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

一般来说，从光谱的角度来看，HSIs不仅被假定位于低秩子空间中，而且被假定在空间维度上是分段平滑的。该方法将核范数、TV正则化和L1范数集成在一个统一的框架中。核范数用于挖掘光谱的低秩性质，而TV正则化用于探索空间分段平滑结构。同时，稀疏噪声包括条纹、脉冲噪声和死像素，通过L1范数正则化进行检测。为了权衡核范数和TV正则化，并进一步消除高斯噪声的高分辨率图像，我们还限制干净图像的秩不大于端元的数量。

在HSI中，由于不同波段的噪声强度不同，为了更好地抑制高噪声强度波段的噪声，保持低噪声强度波段的细节信息，需要根据不同波段的噪声强度自适应调整去噪强度。同时，在同一波段内，存在着不同的空间属性区域，如均匀区域和边缘或纹理区域；为了减少均匀区域中的噪声并保留边缘和纹理信息，对不同空间属性区域的像素施加的去噪强度也应不同。本文提出了一种基于光谱-空间自适应全变分模型的HSI去噪算法，该算法在降噪过程中同时考虑了光谱噪声差异和空间信息差异。为了减少计算量，采用分裂Bregman迭代算法进行优化。

基于HSIs的低秩性质，建立了patchwise低秩矩阵逼近(LRMA)。为了进一步从信号子空间中分离噪声，提出了一种迭代正则化框架。考虑到不同波段的噪声强度不同，采用了基于每个HSI波段噪声方差的自适应迭代因子选择。这种调整噪声的迭代策略可以有效地保留高信噪比波段，对低信噪比波段进行去噪处理。然后利用随机奇异值分解(RSVD)方法求解该优化问题。

本文提出了一种在空间/光谱域联合利用全局和局部RAC的图像去噪方法。首先，稀疏编码被用来在空间域中建模全局RAC，在光谱域中建模局部RAC。噪声可以通过学习字典的稀疏近似数据来去除。在这一阶段，仅使用光谱域中的局部RAC，会造成光谱失真。为了弥补局部光谱RAC的不足，在光谱域采用低秩约束来处理全局RAC。

该模型沿空间和光谱维度提取特征映射，并在不显著增加网络参数的情况下扩大感受野。同时，利用多分支多尺度结构降低训练难度，降低过拟合风险，并保留纹理细节。所提出的模型可以应用于光子和热噪声混合类型的受损图像。

本文提出了一种用于高光谱图像去噪的交替方向三维准递归神经网络，该网络能够有效地嵌入领域知识——结构空间-光谱相关性和沿光谱的全局相关性。具体来说，3D卷积被用来提取HSI中的结构空间-光谱相关性，而准递归池化函数被用来捕获沿光谱的全局相关性。此外，交替方向结构的引入消除了因果依赖，没有额外的计算成本。所提出的模型能够模拟空间-光谱相关性，同时保持对具有任意波段数的HSIs的灵活性。

我们设计了两个并行的分支来分别处理空间和光谱信息。位置注意力模块应用于空间分支，以在特征映射上形成相互依赖性，而通道注意力模块应用于光谱分支，以在两个分支组合之前模拟光谱相关性。在融合空间和光谱信息后，多尺度结构也被用来提取和融合多尺度特征。

中兴捧月算法挑战赛-图像去噪

引言代码github.com/megvii-research/NAFNet

MPRNet: Multi-Stage Progressive Image Restoration

论文速读之Restormer、MIRNet、SwinIR、HINet、MPRNet、CSRNet

Restormer: Efficient Transformer for High-Resolution Image Restoration HINet: Half Instance Normalization Network for Image Restoration Uformer: A General U-Shaped Transformer for Image Restoration Multi-Stage Progressive Image Restoration NBNet: Noi..

2017：Hyperspectral imagery denoising by deep learning with trainable nonlinearity function2018：Hyperspectral image denoising employing a spatial–spectral deep residual convolutional neural networkHSI-DeNet: Hyperspectral image restoration via convol

在本文中，我们主要研究如何生成真实的数据集来学习和评估HSI去噪网络。一方面，我们收集一对真实HSI去噪数据集，该数据集由短曝光噪声HSI和相应的长曝光干净HSI组成。另一方面，我们提出了一个精确的HSI噪声模型，该模型能够很好地匹配真实数据的分布，并可用于合成真实数据集。在噪声模型的基础上，提出了一种标定给定高光谱相机噪声参数的方法。大量的实验结果表明，仅使用我们的噪声模型生成的合成数据学习的网络性能与使用成对真实数据学习的网络性能相同。

Noise2Score: Tweedie’s Approach to Self-Supervised Image Denoising without Clean Images Unfolding Taylor’s Approximations for Image Restoration Functional Neural Networks for Parametric Image Restoration Problems A Trainable Spectral-Spatial Sparse Co..

通过将低秩物理特性集成到深度卷积神经网络中，所提出的LRNe同时具有DCNN的强大特征表示能力和干净HSI的隐式物理约束。首先，构建空间光谱空洞块（SSABs）以利用HSI的空间光谱特征。其次，这些空间光谱特征被转发到一个多空洞块（MAB），以聚合不同感受野中的上下文。第三，将不同层次的上下文特征和空间光谱特征串联起来，然后送入即插即用低秩模块（LRM）进行特征重构。在LRM的帮助下，低秩矩阵重构的工作流程可以以可微的方式简化。最后，利用低秩特征捕获HSI的潜在语义关系，恢复干净的HSI。

IGARSS2020Sure based convolutional neural networks for hyperspectral image denoisingHyperspectral images denoising based on mixtures of factor analyzersJoint mixed-noise removal and compressed sensing reconstruction of hyperspectral images via convex o

本文研究了一个典型的图像盲去噪问题，即从噪声图像中去除未知噪声。众所周知，基于判别学习的方法，如DnCNN，可以达到最先进的去噪效果，但由于缺乏成对训练数据，这些方法并不适用于这一问题。为了克服这个障碍，我们提出了一个新的两步框架。首先，训练一个生成性对抗网络来估计输入噪声图像上的噪声分布并生成噪声样本。其次，利用第一步采集的噪声块构造成对的训练数据集，再利用训练集训练深层卷积神经网络进行去噪。大量的实验证明了该方法在图像盲去噪方面的优越性。

一个关于真实图像去噪的比赛，以及一些比较新的神经网络去噪模型。原文链接：https://blog.youkuaiyun.com/LiuJiuXiaoShiTou/article/details/106474655

Papers with code in denoising图像去噪代码

比较新的HSI去燥论文

处理前：处理后：框架：统计方法+物理方法（部分）→\rightarrow→随机性降质、精细尺度降质、极端性降质。????主要用变分方法其中p,q通常为2，p=1处理椒盐噪声、离群点问题，Ψ\varPsiΨ为稀疏系数，α\alphaα为字典，zzz为辅助影像，F3F_3F3​为xxx和zzz之间的辅助关系。...