3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising

1. 摘要

作者设计了一个 QRU3D 块来对高光谱图像进行去噪,其中的 3D 卷积负责提取空间和光谱的结构相关性,而近似循环池化函数则用来捕获光谱方向的全局相关性。

此外,作者还引入了交替方向结构,以消除单向的因果关系,并且无需额外的计算成本。

2. 方法介绍

2.1. QRU3D

3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising_第1张图片

QRU3D 块的结构如上图所示,包含两个主要步骤:3D 卷积和近似循环池化。其中输入 I I I 的大小 1 ∗ H ∗ W ∗ B 1*H*W*B 1HWB H , W , B H,W,B HWB分别为高光谱图像的长宽和波段数。

第一步我们分别应用两个 3D 卷积到输入图像,激活函数分别为 T a n h Tanh Tanh S i g m o i d Sigmoid Sigmoid,得到 Z , F Z,F ZF 两个特征图,大小都为 C o u t ∗ H ∗ W ∗ B C_{out}*H*W*B CoutHWB

然后,我们将 Z , F Z,F ZF 沿着光谱方向分离出 B B B z b , f b z_b, f_b zb,fb,那么输出特征图就可以表示为:

输出特征图 H H H 的每个波段 h b h_b hb 都由上一个波段的特征 h b − 1 h_{b-1} hb1 以及 z b z_b zb 加权组成,而权重则由 f b f_b fb 提供。

2.2. 交替方向结构

在一个前向的 QRU3D 单元中,输出特征图 h b h_b hb 只与前面波段的特征 z b z_b zb 相关,而与后面波段的特征无关,这显然是不合理的。

3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising_第2张图片

一个很自然的想法就是引入双向结构,一层从前向后循环,一层从后向前循环,然后再将两者相加,如上图 (b) 所示,但这样会使得计算代价和内存消耗近似翻倍。

因此,作者提出了一个交替方向结构,如上图 © 所示。也就是每个 QRU3D 单元中的循环顺序交替改变,如果上一层是从前向后循环,下一层则是从后向前循环。这样,既没有额外的计算代价,也能在任何位置都可以捕获整个波段的依赖性。

2.3. 整体网络结构

3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising_第3张图片

整体的网络结构则以 QRU3D 块为基础,采取 U-Net 的基本骨架,空间分辨率先变小再逐渐恢复到输入大小,并在分辨率相同的地方引入跳跃连接。详细的每一层的参数设置则如下表所示。

3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising_第4张图片

3. 实验结果

3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising_第5张图片

3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising_第6张图片

3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising_第7张图片

可以看到,作者提出的方法不仅在去噪效果上超越了现有方法,运行时间也是最快的。

获取更多精彩,请关注「seniusen」!

你可能感兴趣的:(论文笔记)