概括
这项研究介绍了一种深度学习算法,用于多谱极化解 (MPD-RS),可以增强图像重建. MPD-RS通过学习空间,光谱和极化相关性来实现卓越的性能,以获得准确的多光谱极化图像 (MSPI) 恢复.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 多光谱极化波器阵列捕获丰富的场景信息.
- 多光谱极化图像 (MSPI) 的准确重建对于各种应用至关重要.
- 现有的解粉方法与极化数据的复杂性作斗争.
研究的目的:
- 提出一种基于深度学习的新解散算法,多谱极化解散与冗余的斯托克斯 (MPD-RS).
- 有效地学习跨空间,光谱和极化领域的相关性,以改进MSPI重建.
- 引入一个新的斯托克斯表示法,捕获极化冗余.
主要方法:
- 开发了MPD-RS算法,利用MSPI的新建数据集.
- 采用一个位置变量卷积内核用于初始MSPI插值.
- 引入了一种新的Stokes表示,将数据分解为四个组件,包括偏振冗余.
- 使用3D卷积网络和基于注意力的网络的其他组件处理强度.
主要成果:
- 与现有方法相比,MPD-RS在MSPI重建中表现出优异的性能.
- 与全球交叉关注网络相比,实现了3.873dB的平均PSNR改进.
- 在斯托克斯参数中展示了降低的平均平方误差和在不同极化级别的高精度.
结论:
- 通过利用深度学习,MPD-RS有效地重建多光谱极化图像.
- 拟议的算法为MSPI提供了PSNR和SSIM的显著改进.
- MPD-RS表现出适应性,并保持图像的准确性,具有不同的极化水平.
