成电数学学院本科生在遥感领域权威期刊IEEE TGRS发表文章

高光谱图像复原问题是将退化的观测图像转化为真实的高维图像，是数学与信息科学交叉研究中急需解决的基础科学问题之一。近年来，深度学习方法在高光谱图像恢复问题上取得了有益的进展。然而，如何提取高光谱图像的内部结构并设计适合大规模高光谱图像恢复问题的深度学习方法仍然是高光谱图像处理领域的主要挑战之一。

图1：线性混合高光谱图像模型

针对上述挑战，论文提出了一种基于空间光谱先验解耦深度的自监测高光谱成像方法（DS2DP）。 DS2DP方法的核心思想是基于基本的高光谱图像线性混合模型（线性混合模型，如图1所示），将高光谱图像矩阵解耦分解为丰度矩阵.和光谱矩阵此外，利用U-Net网络和全连接网络，通过自我监测准确描述丰度矩阵之前的空间深度和光谱矩阵之前的光谱深度。 DS2DP 方法不仅表现出优越的恢复性能，而且具有重量轻、泛化性好的优点。大量的模拟和真实数据实验表明，DS2DP 方法在视觉质量和定量评估指标方面优于当前最先进的方法。部分结果见如图2。匿名审稿人对研究工作给予高度评价，称“将DIP与LMM结合的想法是开创性的工作”。

图2：混合噪声下不同方法的恢复结果

此外，数学科学学院2018级本科生罗以思在IEEE Journal of Selected Topics in  Applied Earth Observations and Remote Sensing（JSTARS，SCI二区，影响因子3.8）上发表论文在遥感领域的SCI杂志。通过预空间光谱约束无监督深度图像进行高光谱混合噪声去除。”罗以思为论文的第一作者，赵锡乐教授为通讯作者。http://1262.cn /提出了一种基于规则空间光谱约束的自监督高光谱图像恢复方法（S2DIP），并设计了一种交替方向乘法器方法来求解模型。S2DIP方法提高了恢复方法的性能。自监督高光谱成像并求解自监督高光谱图像恢复方法的半收敛问题。大量的模拟和真实数据实验表明，S2DIP方法在指标定量评价和视觉质量方面优于当前最先进的方法。一些结果见如图3 匿名审稿人对inv的工作进行了评价研究作为“一个有趣的去噪框架”。

图3：混合噪声下不同方法的恢复结果

苗宇春和罗以思于2019年加入黄廷柱教授带领的张量建模与计算团队，在赵锡乐教授的指导下，开展基于数学方法和深度学习方法的高维图像复原研究。团队近年来在SIAM J. Sci. Comput.SIAM J. Imaging Sci.J. Sci. Comput.等高水平学术期刊和会议上发表文章。还有权威影像杂志IEEE Trans。起诉。图像处理，IEEE Trans。控制论，IEEE Trans。地球科学。遥感，IEEE Trans。神经网络。学习。系统。以及主要的CVPR 和AAAI 会议。团队具有浓厚的科研教育氛围。近年来，赵锡乐大师指导多所高校学生发表高水平学术期刊和会议文章，获得第十五届省挑战杯二等奖（四川）。

[声明]文章版权归原作者所有，内容为作者个人观点，本站只提供参考并不构成任何投资及应用建议，转载目的在于传递更多信息，并不代表本站赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间删除内容！