无监督的适应学习,用于真实多平台的高光谱图像去除

科学领域:

• 遥感 遥感 遥感 遥感
• 图像处理 图像处理
• 人工智能的人工智能

背景情况:

• 真实超光谱图像 (HSI) 受到严重的噪声影响,限制了它们的实际应用.
• 现有的转移学习方法用于超光谱无色化通常依赖于图像先验,并且无法保存背景细节.
• 目前的超频谱无声化技术在各种数据集和噪声类型中难以通用.

研究的目的:

• 提出基于无监督适应学习 (UAL) 的超频谱消噪网络 (UALHDN),以改善HSI降噪.
• 开发一个框架,学习一般的图像先验,并将其调整为真正的HSI,同时保持背景的一致性.
• 解决现有方法的局限性,消除了手工制作的先验的需要,并提高了模型的通用性.

主要方法:

• 引入了一个UALHDN框架,其中包含一个空间频谱残余分辨器,一个全球建模分辨器和一个超频谱离散表示学习方案.
• 在合成噪音清洁HSI对上预先训练了denoiser和discriminator.
• 微调了在真实多平台HSI上的denoiser,使用无监督的空间-光谱和背景一致性损失,以及用于语义特征提取的离散表示学习.

主要成果:

• 与现实世界HSI上最先进的方法相比,UALHDN框架显示出更优异的揭露性能.
• 实验验证实了该框架在各种平台 (无人机,空中,太空) 和传感器 (包括火星数据) 的各种数据集中的适用性和通用性.
• 无监督的适应方法有效地学习了真正的HSI特有的深度先验,提高了消除噪声的效果,同时保持了图像保真.

结论:

• 拟议的UALHDN提供了一个强大的和有效的解决方案,用于超光谱图像 denoising,克服了以前方法的局限性.
• 无监督的适应学习是高光谱图像处理的有前途的策略,可以实现高保真无手动先验.
• UALHDN框架显示了各种应用程序的巨大潜力,这些应用程序需要在不同的采集平台上清洁的超频谱数据.