1. 摘要
大量的高光譜資料收集起來比較困難，是以作者提出了一種自監督政策，可以從一張退化圖像建構出訓練資料來訓練一個去噪網絡而不需要任何幹淨資料。
另外，高光譜圖像的光譜波段數一般比較多，計算負載較大，是以作者引入深度可分離卷積來實施去噪，既能捕獲高光譜圖像的結構先驗又能減小模型複雜性。
2. 方法介紹
2.1. 深度可分離卷積的性能
現在，我們考慮一個圖像填充任務。假設 A ∈ { 0 , 1 } N ∗ N A\in \{0, 1\}^{N*N} A∈{0,1}N∗N，代表一個已知的随機采樣矩陣，隻給出與 A A A 相關的像素，我們想要恢複出整幅圖像 x x x。隻采用這些被 A A A 掩蓋的點來計算均方誤差，然後我們訓練一個網絡。
其中一個網絡結構是八層卷積，每一層的參數大小為 3 × 3 × M × L 3 × 3 × M× L 3×3×M×L， M , L M,L M,L 分别代表輸入和輸出特征圖的通道數。
另外一個網絡結構是八層深度可分離卷積，包含一個參數大小為 3 × 3 × 1 × M 3 × 3 × 1 × M 3×3×1×M 的深度卷積和一個參數大小為 1 × 1 × M × L 1 × 1 × M × L 1×1×M×L 的點卷積。
實驗結果如上圖所示，可以看到，盡管深度可分離卷積的參數量更少，其性能卻更加優越。
2.2. 自監督高斯去噪
考慮如下的去噪模型，
y = x + n y=x+n y=x+n
我們假設一個能從噪聲觀測 y y y 中恢複出幹淨信号 x x x 的網絡也有能力從 y + n y+n y+n 恢複出 y y y。
是以，我們對輸入噪聲圖檔再加上噪聲作為輸入，而将原始的噪聲圖檔作為目标來對網絡進行訓練，以此來達到自監督的目的。
網絡結構如下圖所示，大部分卷積采用深度可分離卷積操作。
3. 實驗結果
擷取更多精彩，請關注「seniusen」!