近日,電子科技大學數學科學學院2018級大學生苗雨春在遙感領域國際權威期刊IEEE Transactionson Geoscience and Remote Sensing(IEEE TGRS,SCI一區,影響因數5.6)發表論文“Hyperspectral Denoising Using Unsupervised Disentangled Spatiospectral Deep Priors”,苗雨春為論文第一作者,張量建模與計算團隊趙熙樂教授和俄勒岡州立大學傅曉助理教授為通訊作者。
高光譜圖像復原問題旨在從退化的觀測影像反演真實的高維影像,是數學與資訊科學交叉研究中亟待解决的基礎科學問題之一。近年來,深度學習方法在高光譜圖像復原問題中取得了可喜的進展。然而,如何挖掘高光譜影像的內在結構設計適用於大規模高光譜圖像復原問題的深度學習方法仍然是高光譜圖像處理領域的主要挑戰之一。
圖1:高光譜影像的線性混合模型
針對上述挑戰,該論文提出了基於解耦空間-光譜深度先驗的自監督高光譜影像方法(DS2DP)。DS2DP方法的覈心思想是,基於基本的高光譜影像線性混合模型(Linear Mixture Model,如圖1所示),高光譜影像矩陣可以解耦分解為豐度矩陣和光譜矩陣,進一步通過自監督的管道分別用U-Net網絡和全連接網絡精准地刻畫豐度矩陣的空間深度先驗和光譜矩陣的光譜深度先驗。DS2DP方法不僅展現了優越復原效能而且具有輕量化、泛化性良好等優點。在模擬和真實數據上的廣泛實驗表明DS2DP方法在視覺質量和定量評估名額等方面均優於當前最先進方法,部分結果如圖2所示。匿名審稿人高度評價研究工作為“The idea of incorporating DIP with LMM is an innovation work”。
圖2:不同方法在混合雜訊下的復原結果
此外,數學科學學院2018級大學生羅倚斯在遙感領域SCI期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing(JSTARS,SCI二區,影響因數3.8)發表論文“Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Unsupervised Deep Image Prior”。羅倚斯為論文第一作者,趙熙樂教授為通訊作者。該論文提出了基於空間-光譜正則約束的自監督高光譜圖像復原方法(S2DIP)並設計了求解模型的交替方向乘子法。S2DIP方法提高了自監督高光譜圖像復原方法的效能並解决了自監督高光譜圖像復原方法的半收斂性問題。在模擬和真實數據上的廣泛實驗表明S2DIP方法在視覺質量和定量評估名額等方面均優於當前最先進方法,部分結果如圖3所示。匿名審稿人評估研究工作為“an interesting denoising framework”。
圖3:不同方法在混合雜訊下的復原結果
苗雨春同學和羅倚斯同學於2019年加入黃廷祝教授帶領的張量建模與計算團隊,在趙熙樂教授指導下進行基於數學方法和深度學習方法的高維圖像復原問題研究。該團隊近年來在高水准學術期刊和會議上發表文章,如計算與應用數學權威期刊SIAM J. Sci.Comput.、SIAM J. Imaging Sci.、J. Sci.Comput.,圖像處理權威期刊IEEE Trans.Image Process.、IEEE Trans.Cybernetics、IEEE Trans.Geosci.Remote Sens.、IEEE Trans.Neural Net.Learn.Syst.以及頂級會議CVPR和AAAI。團隊科研育人氛圍濃厚,近年來趙熙樂老師已指導多名不同學院的大學生發表高水准學術期刊和會議文章,並獲四川省第十五届挑戰杯二等獎。
論文連結:
https://ieeexplore.ieee.org/document/9524362
https://ieeexplore.ieee.org/document/9534671