前の章|次の章

特徴強化とコントラスト学習を融合した自己教師ありリモートセンシング画像ノイズ除去

  • role： First author第一作者
  • Affiliation：

    School of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China

  • Email：228002070392@stu.nepu.edu.cn
  • Introduction：何晓晴，研究方向为遥感图像处理。E-mail： 228002070392@stu.nepu.edu.cn
HE Xiaoqing1,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China

    Bohai-Rim Energy Research Institute, Northeast Petroleum University, Qinhuangdao 066004, China

  • Email：wangzhibao@nepu.edu.cn
  • Introduction：王志宝，研究方向为遥感大数据。E-mail： wangzhibao@nepu.edu.cn
WANG Zhibao12*,  
  • Affiliation：

    School of Communication and Electronic Engineering, Qiqihar University, Qiqihar 161000, China

ZHAO Man3,  
  • Affiliation：

    School of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China

    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

    University of Chinese Academy of Sciences, Beijing 100049, China

CHEN Liangfu145,  
  • Affiliation：

    School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

BI Xiuli6

サマリー

リモートセンシング画像は独特の取得方法により、その収集過程でノイズ干渉を受けやすく、情報が深刻に劣化しますが、現実世界では同一シーンのクリーン画像とノイズ画像の対を取得することは困難です。したがって、自己教師あり画像ノイズ除去は注目される研究分野となっています。複雑なテクスチャを持つリモートセンシング画像に対して、既存のノイズ除去手法は細部の喪失や背景のぼやけという問題があります。これに対し、本論文では特徴強化とコントラスト学習に基づく自己教師ありリモートセンシング画像ノイズ除去アルゴリズムを提案し、ノイズ除去ブランチとコントラストブランチの二つの部分で構成されます。ノイズ除去ブランチでは、まず特徴強化型畳み込みオートエンコーダノイズ除去ネットワークを設計し、グローバル特徴抽出モジュールと注意抽出モジュールを導入して、異なるスケールの浅層輪郭特徴と局所的な細部特徴をそれぞれ取得します。次に、動的特徴強化モジュールを利用して受容野を拡張し、より多くの空間構造情報を融合します。最後に、画像再構成モジュールにおいて動的適応混合操作によって深層と浅層の情報フローを保持します。コントラストブランチでは、コントラスト学習戦略を通じてノイズ画像が持つ情報を十分に活用して新しいコントラスト認知損失を構築し、再構成損失と総変動損失を組み合わせてノイズ除去画像の滑らかさと細部保持能力を評価し、背景のぼやけを効果的に軽減します。最後に、NWPU-RESISC45とUC Merced Land Useの二つのデータセットで提案方法を他のノイズ除去方法と比較しました。結果は、提案方法がガウスノイズにおいて平均ピーク信号対雑音比を1.47〜4.34 dBおよび2.06〜4.95 dB向上させ、平均構造類似度を2.3％〜11.8％および2.6％〜11.5％向上させたことを示しています。さらに、スパッターノイズ、ストライプノイズ、リアルノイズのリモートセンシング画像においても、本方法は良好なノイズ除去効果を得ました。

キーワード

リモートセンシング;画像ノイズ除去;深層学習;自己教師あり学習;オートエンコーダ;コントラスト学習;コントラスト認知損失;細部保持

1はじめに

光リモートセンシング画像は、情報取得の重要な手段として土地被覆変化検出（Feng等，2023）、油井目標識別（Zhang等，2023b）及びガスパイプラインの意味分割（Wang等，2024a)などの分野がある。しかし、リモートセンシングイメージング装置の性能の物理的特性及び外部環境の干渉は、しばしばリモートセンシング画像がランダムノイズによって破壊されやすくなり、情報内容の劣化を招く。この劣化は画像の可読性だけでなく、下流タスクの処理精度にも影響を与える。そのため、リモートセンシング画像の前処理においてノイズを効率的に除去することは依然として重要な問題である。
従来の画像ノイズ除去方法では、通常いくつかのフィルタ方法（Yu等，2022，Jia等，2022）を使用してノイズを除去しますが、高ノイズレベルでは過度に滑らかになりやすいです。画像のテクスチャ特徴をより良く維持するために、全変分（Geng等，2023）を使用して画像のノイズ除去を行いますが、その調整は複雑で計算コストが高いです。従来の方法に比べて、深さ学習に基づくノイズ除去方法は深さ層の特徴を効率的に抽出することができ、ノイズをよりよく除去することができる。Zhang等（2017）画像ノイズ除去のための画像ノイズ除去のための残差学習と正規化動作を初めて導入し、この方法は画像ノイズ除去領域の基準と見なされる。その後、Zhang等（2018）また、FFDNetはより広い範囲のノイズレベルを処理できることを提案した。その後、Lehtinen等（2018）きれいな画像の制約から脱してノイズ除去を実現できることは初めて実証されたが、この方法は同じシーンでのノイズ画像ペアを得る必要がある。この制約を解消するために、Moran等（2020）ノイズアプリオリにより元のノイズイメージを再破壊しますが、バックグラウンドブラーが発生しやすくなります。Huang等（2022）トレーニングデータのサンプリングには、ランダム隣接サブサンプラを使用します。最近、Li等（2023）画像の平坦領域とテクスチャ領域にそれぞれ異なる擬似監督メカニズムを構築し、実際のノイズ下での自己監督ノイズ除去性能を向上させた。しかし、この方法は複数のサブネットワークを訓練する必要があり、訓練コストが高い。Pan等（2023）サンプル不足を緩和するためのランダムサブサンプル生成戦略を提案したが、この方法はサンプリング摂動の選択に敏感である。Zhang等（2023a）雑音の空間相関性を破壊するためのマルチマスク戦略を提案し、同時に盲点ネットワーク融合マルチマスク層抽出の特徴を結合し、実際の雑音を効果的に除去することができる。従来の画像ノイズ除去とは異なり、自然画像は通常比較的安定した環境で撮影され、高い解像度を持っている。一方、光リモートセンシング画像の撮像環境は複雑で、その解像度の差が大きく、より複雑なテクスチャ特徴が含まれており、ノイズを除去するだけでなく、明確な詳細テクスチャを再構築する必要があります。
深さ学習に基づくリモートセンシング画像ノイズ除去の分野では、監督あり、監督なし、自己監督の3つに大別される。監視方法がある場合は、ネットワークを訓練するためにペアのクリーンなノイズ画像を使用する必要があります。より詳細な情報を抽出するために、Han等（2022）マルチスケール特徴抽出モジュールと注意力機構を用いてノイズを除去する。最近、Wang等（2024c）U型ノイズ除去モジュールを用いて画像特徴マッピング間の意味ギャップを縮小するTransformerに基づく改良アルゴリズムを提案した。Cheng等（2025）深さインタラクティブサブネットを組み合わせてリモートセンシング画像のマルチスケール特徴を抽出し、詳細な損失を回避します。しかし、光学リモートセンシング画像では、同じシーンでのクリーンな画像とノイズ画像のペアを得ることは困難である。
データ取得コストを削減するために、研究者はデータ中の学習データの構造と分布を直接表示せず、偽のラベルを必要としない無監督ノイズ除去方法を提案した。Liu等（2023b）残差画像とランダムマスクを用いて生成ノイズモデルを得てから、擬似監視モジュールを用いてノイズ除去を行う。Li等（2024）構築された2分岐デスペックルネットワークは、リモートセンシング画像中のスペックルノイズを効果的に除去することができる。最近、Luo等（2024）無監督適応学習に基づくリモートセンシング画像ノイズ除去ネットワークを設計し、背景情報を良好に保持することができる。監視方法なしではペアのトレーニングデータは必要ありませんが、ノイズモデルの正確な推定に大きく依存しており、複雑なノイズモデルを最適化する際により大きな計算リソースと時間が消費される可能性があります。
自己監督方法は監督方法と無監督方法の利点を結合し、タグデータから監督信号を生成することなく、さらに有効な特徴表示を学習することができる（Tao等，2023）。Liu等（2023a）動的適応注意力誘導の自己監督単一リモートセンシング画像ノイズ除去ネットワークDAA−SSIDを提案し、リモートセンシング画像中のガウスノイズを効果的に除去することができる。Wang等（2024b）比較学習思想と結合して正負サンプル対を構築し、多種のリモートセンシング画像ノイズに良好なノイズ除去効果を得た。また、畳み込み自己符号化器は一般的な自己監督モデルであり、符号化と復号処理を通じてデータの特徴表現を自動的に抽出することにより、画像の局所的特徴と詳細な特徴を保持することができる。Thai等（2023）ノイズを除去するための混合変分自動エンコーダを提案した。ノイズ除去画像の品質をさらに向上するために、张杰等（2024）残差が密集してエンコーダネットワークから蓄積されて画像の深層特徴を発掘するように設計されている。しかし、リモートセンシング画像にはより豊富な詳細テクスチャが含まれており、従来の方法では詳細保持の面で改善された空間が残っている。
ディープラーニングに基づくノイズ除去方法は多くの成果を上げているが、詳細な特徴の喪失や効果的な知覚損失の欠如などの課題が残っている。そのため、本文は特徴強化と比較学習に基づく自己監督リモートセンシング画像のノイズ除去アルゴリズムを提案し、この方法はペアのクリーン画像とノイズ画像を必要とせず、ノイズ除去分岐とコントラスト分岐から構成される。ノイズ除去ブランチにおいて、本文は1つの特徴増強の畳み込みがエンコーダからノイズ除去ネットワークを構築し、まずグローバル特徴抽出モジュールを通じて異なる尺度の浅層輪郭特徴を獲得し、次に注意力抽出モジュールを使用して複雑なテクスチャフィーチャーに焦点を当てます。次に、動的特徴強化モジュールを用いて空間構造情報を融合する、最後に、画像再構築モジュールに動的適応混合動作を導入することで、濃淡層の特徴をよりよく融合させることができる。対比分岐では、本文はノイズ画像が搬送する特徴情報を十分に利用し、異なるデータ増強戦略を用いて新しい対比知覚損失を設計し、同時に再建損失と総変分損失を結合して画像のエッジ詳細をよりよく保持する。NWPU-RESISC 45とUC Merced Land Useの2つのデータセットにおいて、本論文の方法を既存のノイズ除去方法と比較し、提案方法の多種のノイズ条件下での有効性とロバスト性を検証した。

2研究方法

2.1全体フレームワーク

Fig. 1リモートセンシング画像のノイズ除去のための全体的なフレームワークは、トレーニング段階（Fig. 1）と推論段階（Fig. 1）。ノイズ除去ブランチでは、まずデータ拡張操作によりノイズ画像を生成し、次にノイズ除去ネットワークFCADNetにノイズ画像を送り込んでノイズ除去画像を再構築する。コントラスト分岐では、元の画像に対して前者とは異なるデータ強調動作を使用し、追加のノイズを導入せずに画像の視覚的特徴を変更します。次に、ノイズ画像と他の強調画像との間に正負のサンプルペアを構築し、統一された特徴空間に送り込み拘束する。最後に、トレーニング段階では、再構築損失、総変分損失、比較知覚損失を連合損失関数として使用してネットワークトレーニングを指導する。推論段階では、ノイズ除去画像を得るためにノイズ画像をFCADNetに入力する。
figure
figure

Fig. 1 Overall framework

2.2特徴強化の畳み込み自己エンコーダノイズ除去ネットワーク

本文で提案した特徴強化の畳み込み自己エンコーダノイズ除去ネットワークFCADNetは4つの部分から構成され、それぞれグローバル特徴抽出モジュールGFEM、注意力抽出モジュールAEM、動的特徴強化モジュールDEM、画像再構築モジュールIRM、例えばFig. 2を参照してください。ネットワークの入力はノイズリモートセンシング画像であり、まずグローバル特徴抽出モジュールGFEMを経て異なるスケールの浅層特徴を抽出する。次に、4回のダウンサンプリング動作と注意力抽出モジュールAEMにより、異なる解像度空間における局所特徴表現を学習する。より多くの空間構造化情報を融合するために、動的特徴強化モジュールDEMを構築してネットワークの変化能力を強化する。最後に、対応する4回のアップサンプリング動作及び画像再構成モジュールIRMを用いてノイズ除去画像を得る。画像再構築モジュールIRMにおいて動的適応混合動作AMOを用いて深浅層の情報ストリームを適応的に融合し、特徴損失を低減する。
figure

Fig. 2 FCADNet network architecture

2.2.1グローバルフィーチャー抽出モジュール

通常の畳み込みと比較して、空洞畳み込みエネルギーは、パラメータ量を著しく増加させず、画像解像度を維持しながら感受野を拡張することができる。本明細書で設計されたグローバル特徴抽出モジュールGFEMは、4つのブランチ、例えばFig. 3を参照してください。従来、膨張率が1、3、5、7の空洞畳み込みを使用する方法は多いが、このような固定ステップで増加する膨張率はメッシュ効果をもたらしやすい。本文は空洞畳み込み設計方法HDC（Wang等，2018）の3原則を用いて、ジグザグ状の膨張率1、2、3、2を用いて計算領域の画素点利用率を高める。その後、4つの分岐を特徴融合させ、分割後の総チャネルは4倍の出力チャネルとなる。最後に、1×1ボリューム積層を使用して特徴降下次元を実現し、グローバル特徴を得る具体的なプロセスは次のように定義されています。
式中、ノイズ画像である、通常の畳み込みであり、特徴的な融合層として、为激活函数，正規化層のために、空洞のために畳み込み、出力チャネルのために、コンボリューションコアのサイズのために、は膨張率です。
figure

Fig. 3 Global feature extraction module architecture

2.2.2注意力抽出モジュール

以前の注意力メカニズムは通常、チャネルまたは空間情報だけに注目しており、両者の情報相互作用は考慮されていなかった。その後、CBAM（Woo等，2018）チャネルと空間重みをそれぞれ推定し、両者を結合して3次元注意メカニズムを実現するが、計算時間が長い。一方、SimaM（Yang等，2021）上述の問題を効果的に克服し、各特徴チャンネルに対して顕著性を計算し、重み付けを行うことにより特徴表現を強化する。特徴図のテンソルを，C、H、Wがそれぞれチャネル数、高さ、幅である場合、は、個の特徴図チャンネルがある。まず、各特徴図チャネル計算の重要性、次のように計算されます。
式中、和は平均値と標準偏差、は、除数がゼロになるのを防ぐ小さな正数です。次に、Sigmoid関数を使用して有意分率を注意力係数にマッピングする、すなわち：
最後に、注意力係数を元のフィーチャーに適用するには、次の手順に従います。
これに基づいて、本明細書で構築された注意力抽出モジュールAEMは、Fig. 2を参照してください。各AEMは、最初に2組の3×3ロール積層、一括正規化層、活性化関数層を経て中間特徴を得る。そして、中間特徴をSimaMに送り込んで補強された特徴。具体的なプロセスは次のように定義されています。
式中、前のモジュールの最後の出力フィーチャーです。

2.2.3動的特徴強化モジュール

従来の畳み込み動作のサンプリング位置は固定されており、ターゲットの幾何学的変換にうまく適応できないが、変形可能な畳み込みは、学習可能なオフセット量を導入することにより、複雑な幾何学的変換、例えばFig. 4を参照してください。上述の啓発を受けて、本文は変形可能な畳み込みによって動的特徴増強モジュールDEMを構築してモデルの変換能力を高める。通常の畳み込み計算オフセット量はネットワークのパラメータ量を著しく増加させるので、本明細書では通常の畳み込みの代わりに深さ分離可能な畳みを使用する。具体的には、まず深さ分離可能な畳み込みを用いてオフセット量を得て、それから各コア要素の変形可能なシフト後の位置インデックスを得て、それから双線形補間方法を用いて非整数位置上の特徴値を得て、その後再びオフセット特徴図を元の特徴図形状に組み合わせて、最後に再建特徴図を畳み込み操作して最終特徴図を得る。具体的なプロセスは次のように定義されています。
式中、深さのために畳み込みを分離することができ、フィーチャー図関数を再構築するには、双線形補間関数のために、オフセット位置インデックス関数です。最終的に、本稿では、より多くの空間構造化情報を融合するために2つの動的特徴強化モジュールを採用した。
figure

Fig. 4 Dynamic feature enhancement module architecture

2.2.4画像再構築モジュール

ネットワークの深さが増すにつれて、エッジや輪郭などの浅い層の特徴は徐々に退化していきます。従来のジャンプ接続は、異なるレベルとサイズの特徴を融合する際に柔軟性に欠ける。この目的のために、本稿では、浅い層と深い層の情報、例えばFig. 5を参照してください。せってい和それぞれ浅い層の特徴と深い層の特徴である。まず、スプライス操作を用いて初期の融合特徴を得る。次に、1×1ロール積層とSigmoid関数により学習可能な融合重みα、すなわち
式中、の値の範囲は（0，1）であり、＜i＞S</i＞はSigmoid関数である。そして、浅層フィーチャーに別々に作用する深い特徴融合の特徴を得るために、すなわち
最終的に、各画像再構築モジュールIRMはAMOと3×3巻積層体の2組、一括正規化層、活性化関数層から構成され、再構築画像特徴を得る。具体的な定義手順は次のとおりです。
この方法の重みは、入力特徴図の内容に基づいて動的に生成することができ、それによって特徴融合の柔軟性を高め、より詳細な特徴を保持することができる。
figure

Fig. 5 Dynamic adaptive mix-up operation

2.3比較感知損失

本論文では、ネットワークのコンテンツ知覚能力を高めるために、比較知覚損失を構築する。被SimCLR（Chen等，2020）にヒントを得て、同じ画像セットに対して2つの異なる拡張方法を使用することによって正負のサンプルペアを構築した。まず、合成ノイズ画像をクリーン画像の第1のエンハンスメントサンプルとしてアンカーと表記する。その後、反転、色変換、トリミングなどの他のデータ拡張技術を選択し、同じクリーンな画像セットに第2の拡張サンプルとして適用し、追加のノイズを導入せずに画像の視覚的特徴を変更します。ここで、アンカーとその内容と同じエンハンスメントサンプルはプラスサンプルペアを構成し、アンカーとその内容と異なるエンハンスメントサンプルはマイナスサンプルペアを構成する。に対して個のサンプルに対して、各サンプルには正のサンプル対と個の負のサンプル対、構築プロセスFig. 6を参照してください。次に、本明細書では、特徴空間として予備訓練モデルVGG 19を選択する異なる階層の特徴情報を抽出し、多層特徴表現間のアンカーと強化サンプルの差異を計算することによってコントラスト感知損失を定義するを使用して、ネットワークが画像内のテクスチャ、エッジ、構造特性を重点的に学習し、過度に平滑化されないようにします。具体的な計算式は次のとおりです。
式中、Nはトレーニング時の1つのBatchSizeの大きさを表し、MはVGG 19の層数を表す。は、VGG 19の異なるレイヤの重みを制御するための重み係数です。表示と間のノルム。式は，は、抽出第レイヤーのVGG 19。第個のノイズ画像、第個の強化サンプル、第個のノイズ画像とその内容が同じ強調サンプル以外の第個の強化サンプル。温度パラメータサンプル間距離を調整します。
figure

Fig. 6 Construction process of positive and negative pairs

2.4再構築損失

画像の浅層構造情報には、損失は再建損失とする。に比べて損失、損失は異常値に敏感ではなく、結果を過度に平滑化することなく、画像のエッジを一定程度維持するのに役立ちます。したがって、ノイズ除去画像を測定するための損失ターゲット画像と間のピクセルレベルの差がより適切です。具体的な計算式は次のとおりです。

2.5総変分損失

画像ノイズ除去タスクでは、以前の作業では、異方性総変分損失が正規化方法として大量に使用されていた。異方性総変分は、画像中の隣接する画素間の変化を最小化することにより、画像のエッジと詳細をよりよく保持することができる。ここではノイズ除去画像を。具体的な計算式は次のとおりです。
式中、画像が位置していることを示すの画素値を設定すると、水平方向における画像の隣接画素の差分絶対値を示す、画像の垂直方向における隣接画素の差分絶対値を示す。これらの差分の絶対値を計算して加算することにより、ノイズ除去画像の総変分を効果的に得ることができ、さらにノイズを除去することができる。

2.6連合損失関数

最後に、本文は再建損失、総変分損失と比較知覚損失の加重総和を全体最適化目標とする。この連合損失関数の定義は以下の通りである：
式中、異なる損失貢献度を制御する超パラメータを示します。

3実験設定と結果分析

3.1実験設定

実験に使用された環境はPython 3.8、PyTorch 1.11.0、MindSpore、NVIDIA A 100 Tensor Core GPUで、CUDAバージョンは11.3です。訓練中、ロットサイズは16に設定され、訓練epochの総数量は150で、初期学習率は0.0001で、Adam最適化器を使用してモデルを訓練し、指数減衰率β1、β2はそれぞれ0.9と0.999であった。勾配爆発を回避するために、余弦アニーリング戦略を使用して学習率を調整します。経験的には、罰パラメータλ1、λ2、λ3をそれぞれ1、0.1、1 e−4に設定した。また、比較学習の温度パラメータτは0.1に設定されている。潜在的特徴空間は予備訓練モデルVGG 19に統一的に拘束され、第1、3、5、9、13層の計5層の潜在的特徴を抽出し、それぞれVGG 19中の各段階の第1の畳み込み層に対応する。同時にそれに適切な重み係数ωmを割り当て、それぞれ1/32、1/16、1/8、1/4、1であり、これらの重み係数はVGG 19の各段階の空間解像度の圧縮倍数に反比例し、指数形式の重み戦略を形成した。

3.2データセット設定

本文の研究対象は可視光リモートセンシング画像である。合成ノイズ実験では、2つのリモートセンシングシーンの基準データセットを使用した。NWPU-RESISC 45データセット（Cheng等，2017）は45種類のシーンを含み、各クラスは700枚、画像サイズは256×256、空間解像度は0.2〜30 mである。各クラスから600枚をランダムにトレーニングセットとして抽出し、残りの4500枚をテストセットとした。UC Merced land useデータセット（Yang和Newsam，2010）は21種類のシーンを含み、各クラスは100枚、画像サイズは256×256、空間解像度は0.3 mである。各クラスからランダムに50枚を補助テストセットとして抽出する。そして、それぞれσ=［0，75］のガウスノイズ、L=［0，75］のスペックルノイズ、及びI=［0，75］の加性垂直ストライプノイズを用いてそれらを破壊し、ここで、σ、L、Iはそれぞれ3つのノイズレベルを表す。
本文の方法の有効性をさらに証明するために、吉林第1号衛星が2022年11月6日に取得した0.5 m+2 mマルチスペクトルバンドルデータをL 1級製品として採用した。画像領域は湖北省荊門市で、111°51’E-113°29’Eと30°32’N-31°36’Nに位置する。中からノイズのあるサブ画像30枚を切り取って小型テスト集を構成し、画像サイズは256×256で、画像タイプは主に建設用地、水体、住宅地と工場などを含む。なお、本稿ではAIDデータセット（Xia等，2017）から、実際のノイズを含むリモートセンシング画像をいくつか選択した。このデータセットの画像解像度は0.5〜8.0 m、画像サイズは600×600である。本論文では、ノイズが顕著な橋梁類画像を試験データとして選択し、256×256の画像サイズに裁断し、20枚ある。

3.3比較方法及び評価指標

本文は伝統的なノイズ除去方法BM3 D（Dabov等，2007）、2つの監視されたノイズ除去方法DnCNN（Zhang等，2017）とFFDNet（Zhang等，2018）、3種類の自己監督的ノイズ除去方法Ne 2 Ne（Huang等，2022）、DAA-SSID（Liu等，2023a）とSA-SID（Li等，2023）、および2つの監視されていないノイズ除去方法Nr 2 N（Moran等，2020）とGR 2 R（Liu等，2023b）。地上真値が存在する合成ノイズデータセットについて、本文はピーク信号対ノイズ比PSNRと構造類似性指数SSIMを評価指標として採用し、両者は数値が高いほど画像品質が良いことを示し、その中でSSIMの値の範囲は0-1である。対応する地上真値を持たない真のノイズデータセットについて、本論文では無参照画像品質評価BRISQUE（Mittal等，2012）とNIQE（Mittal等，2013）評価指標として、両者のスコアはいずれも低いほど画質が良いことを示している。

3.4合成ノイズデータセットの結果解析

実験ではPSNRとSSIMを用いて異なる方法のノイズ除去性能を評価した。ガウスノイズレベルσが10、25、50、75の場合、NWPU-RESISC 45とUC Merced Land Useなどの2つのリモートセンシングデータセット上で本文の方法と他の方法のノイズ除去効果を比較し、その定量結果を分析した。Table 1を参照してください。本文の方法の異なるレベルのガウスノイズの中ですべて最も良い結果を得て、次はDnCNNである。σ=10とσ=25の2つの低いノイズレベルの場合、GR 2 Rのノイズ除去性能はDAA−SSIDより優れているが、ノイズレベルの増加に伴い、DAA−SSIDの定量指標はGR 2 Rを逆に上回っている。これは、GR 2 Rがランダムマスクを用いて生成ノイズモデルを得るため、画素情報の一部が失われるためである。DAA−SSIDは、多重ランダムベルヌーイサンプリングにより情報損失を回避し、高いノイズレベルに対して一定の利点を持っている。また、BM3 DとNr 2 Nは2つのデータセットで最悪の結果を得た。これは、BM3 Dは低雑音レベルで類似した画像ブロックを正確に見つけ、変換とフィルタリングによって雑音を除去することができるが、雑音レベルが増加するにつれて類似ブロックマッチングの精度が低下し、雑音除去過程に誤差を導入することになるからである。一方、Nr 2 Nはトレーニング中に新しいノイズを使用して元のノイズ画像を再破壊し、高ノイズ干渉の場合にもこの方法ではノイズをうまく除去することができない。

Table 1 Quantitative metrics of denoising on gaussian noise by different methods

数据集方法平均PSNR平均SSIM
PSNRSSIMPSNRSSIMPSNRSSIMPSNRSSIM
NWPU-RESISC45BM3D32.790.91329.210.80225.130.65124.020.56827.790.73
DnCNN31.180.86626.410.698
FFDNet32.110.94529.350.87327.770.76526.350.69228.900.82
Nr2N32.470.90728.620.79125.860.65524.320.57027.820.73
Ne2Ne34.210.92229.640.81127.430.73626.130.67629.350.79
GR2R36.730.95628.020.75226.070.64630.560.81
DAA-SSID35.570.94931.180.87228.260.77530.420.83
FCADNet37.520.95832.910.88729.910.80528.300.74632.160.85
UC Merced Land UseBM3D31.430.90828.250.80125.210.68123.150.58727.010.74
DnCNN30.750.87126.090.717
FFDNet29.680.92527.640.86527.030.78225.810.71027.540.82
Nr2N31.270.89328.010.79125.440.68323.750.59327.120.74
Ne2Ne33.160.91429.310.81927.080.74925.760.69628.830.79
GR2R（35.050.93827.760.76725.760.66829.870.81
DAA-SSID34.350.93530.430.86727.950.78929.760.83
FCADNet38.570.96732.860.89129.830.82527.030.73632.070.85
さらに、Table 2スペックルノイズが「0、75」である場合とストライプノイズが「0、75」である場合の異なる方法のノイズ除去定量指標を示した。BM3 Dは主に加性ガウスノイズに対して設計されているため、スペックルパターンノイズと構造性の強いストライプノイズに対する処理効果は限られているため、これら2種類のノイズの比較実験ではBM3 Dを比較方法としない。また、本文の方法の革新性をよりよく検証するために、最新の自己監督方法SA-SIDを導入して比較した。由Table 2このように、NWPU-RESISC 45とUC Merced Land Useの2つのリモートセンシングデータセットでは、FCADNetのスペックルパターンノイズ除去の効果が最も高く、それぞれ他の方法のPSNRより1.06-7.47 dBと0.77-7.26 dB高い。ストリークノイズを観察した実験結果、Ne 2 NeとDAA-SSIDはストリークノイズを除去できないことが分かった。これは、両者がノイズを互いに独立させ、構造的なストリークノイズを除去できないことを要求しているためである。また、SA−SIDは局所遠域情報を用いて画像を再構成し、ノイズ独立性への依存性を緩和し、空間相関ノイズに適応性を持つが、指向性が強く、大域的に一致する垂直ストライプノイズに対して、この方法はFCADNetやDnCNNに劣る擬似監視信号をうまく構築することができない。

Table 2 Quantitative metrics for denoising different methods on speckle noise and stripe noise

数据集噪声类型指标DnCNNFFDNetNr2NNe2NeGR2RDAA-SSIDSA-SSIDFCADNet
NWPU-RESISC45散斑噪声L=［0，75］PSNR36.1331.2630.2833.5633.4534.3837.75
SSIM0.9310.9240.8360.9000.9210.9290.956
条纹噪声I=［0，75］PSNR26.7735.7020.3226.4522.1538.9242.81
SSIM0.8100.9670.5990.7830.6780.9710.991
UC Merced Land Use散斑噪声L=［0，75］PSNR33.4529.2828.1231.7730.4432.2535.38
SSIM0.9030.8930.7840.8710.9050.9000.942
条纹噪声I=［0，75］PSNR25.0932.2820.7325.9621.5636.7740.36
SSIM0.7900.9220.6490.7970.6690.9290.980
ノイズレベル25を例に、図Fig. 7—Fig. 9異なる方法によるガウス雑音、スペックルパターン雑音、縞雑音の除去の可視化結果をそれぞれ示した。観察Fig. 7中にほとんどのテニスコートを置くことができます。BM3D（Fig. 7）とNr 2 N（Fig. 7）ガウスノイズを除去した後に細部の損失が発生し、テニスコートの白色実線のぼけが深刻である。他の方法に比べて、FCADNet（Fig. 7)は、より完全なサイトの詳細を保持しています。からFig. 8の拡大領域を見ることができます。DnCNN（Fig. 8）スペックルノイズを除去すると翼に赤色のアーティファクトが現れ、FFDNet（Fig. 8）翼においても背景においても白色領域に深刻なアーティファクト現象が見られた。DAA-SSID（Fig. 8）とSA-SID（Fig. 8）スペックルノイズを除去すると、画像背景にわずかな過平滑化現象が現れ、それに比べて、FCADNet（Fig. 8）で得られたノイズ除去画像は、空港内の地面の白色実線を良好に保持している。観察Fig. 9わかるように、FFDNet（Fig. 9）ストリークノイズを除去すると大量のアーティファクトが発生し、DnCNN（Fig. 9）、Nr2N（Fig. 9）、Ne2Ne（Fig. 9）、GR2R（Fig. 9）とSA-SID（Fig. 9）で得られたノイズ除去画像の背景にはまだ明らかな垂直ストライプが存在し、DAA−SSID（Fig. 9）で得られたノイズ除去画像に背景過曝露現象が現れた。それに比べて、FCADNet（Fig. 9）は、ストライプノイズを効果的に除去することができる。
figure
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig.7 Denoising results of different methods when gaussian noise σ=25

figure
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig. 8 Denoising results of different methods when speckle noise L=25

figure
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig. 9 Denoising results of different methods when stripe noise I=25

同時に、本文はまた高レベルノイズの干渉下で、異なる方法が簡単なテクスチャ画像と複雑なテクスチャ画像に対してノイズを除去する違いを比較した。ここでは、UC Merced Land Useデータセットの空港クラスと住宅地クラスを、それぞれ50枚の単純テクスチャと複雑テクスチャの実験対象として選択した。定量結果と視覚結果はそれぞれTable 3和Fig. 10をオフにします。Table 3本文の方法はノイズ除去の効果がより良く、ノイズ除去前と比べてPSNRはそれぞれ15.27 dBと15.05 dB向上し、SSIMはそれぞれ0.575と0.576向上したことがわかる。また、最新のDAA-SSIDと比較して、FCADNetがノイズを補足して得た単純テクスチャ画像と複雑テクスチャ画像のPSNRは、DAA-SSIDが得たものよりそれぞれ1.84 dB、2.02 dB高かった。また、Fig. 10単純テクスチャ画像と複雑テクスチャ画像の両方の可視化結果を示した。シンプルなテクスチャ画像の飛行機では、DAA-SSID（Fig. 10）翼の影に赤いアーティファクトがいくつか現れた。また、複雑なテクスチャ画像における家屋については、FCADNet（Fig. 10)で得られたノイズ除去画像では、樹冠テクスチャがより鮮明になっています。これは、本方法がリモートセンシング画像中の複雑なテクスチャ領域のノイズを効果的に除去できることを示している。

Table 3 Comparison of denoising effect on simple and complex textures remote sensing images

类型指标噪声图像DAA-SSIDFCADNet
简单纹理（飞机场类）PSNR14.2427.67（+13.43）29.51（+15.27）
SSIM0.2460.788（+0.542）0.821（+0.575）
复杂纹理（住宅区类）PSNR14.1527.18（+13.03）29.20（+15.05）
SSIM0.2330.782（+0.549）0.809（+0.576）
figure
figure
figure
figure
figure
figure
figure
figure

Fig. 10 Denoising results for simple texture and complex texture images under high level of noise

3.5実際のノイズデータセットの結果解析

本節では、非参照評価指標BRISQUEとNIQEを採用します。吉林1号衛星の真のノイズリモートセンシングデータセットにおいて、本文の方法と他の方法のノイズ除去効果を比較し、その中の非参考評価指標は以下の通りである。Table 4を参照してください。Fig. 11異なる方法で吉林第1号の真のノイズを除去するリモートセンシング画像の可視化結果を列挙した。実際のノイズの分布は未知であるため、ここではブラインドノイズ除去を採用し、すべての方法でノイズ除去評価をノイズモデルσ=10を使用して行う。由Table 4吉林省の衛星1号が取得した実際のノイズ画像を処理する際、Nr 2 NとNe 2 Neのノイズ除去効果が最も悪いことが分かった。対照的に、本方法はより優れたノイズ除去性能を示している。由Fig. 11見える、Nr2N（Fig. 11）とNe 2 Ne（Fig. 11）ノイズを除去すると、画像背景に大量のノイズが導入されます。BM3D（Fig. 11）ノイズ除去後、水面や地面などの色が単一の低飽和領域で色ずれが発生した。他の方法で得られたノイズ除去画像は背景がぼやけているが、FCADNet（Fig. 11)の視覚効果が最もはっきりしている。

Table 4 Comparison of denoising effects of different methods on real noisy remote sensing images of Jilin 1

指标噪声图像BM3DDnCNNFFDNetNr2NNe2NeGR2RDAA-SSIDFCADNet
BRISQUE↓30.4324.4622.3627.8945.2633.6126.8519.3418.15
NIQE↓5.505.064.335.1511.559.695.214.624.29
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig.11 Denoising results of different methods in real noisy remote sensing images of Jilin 1

また、本節ではAIDデータセットの真のノイズリモートセンシングデータにおいて異なる方法のノイズ除去性能を評価し、Table 5異なる方法でノイズを除去した後に得られた評価指標を示した。からTable 5本方法は最適なノイズ除去結果を得て、実際のノイズを効果的に除去することができることが明らかになった。また、異なる方法のノイズ除去効果をより直感的に比較するために、Fig. 12AIDデータセット上の可視化結果を列挙した。見える、BM3D（Fig. 12）、DnCNN（Fig. 12）、FFDNet（Fig. 12）、GR2R（Fig. 12）とDAA-SSID（Fig. 12）ノイズを除去した後、得られたノイズ除去画像はすべて異なる程度の背景ボケが発生した。一方Nr 2 N（Fig. 12）とNe 2 Ne（Fig. 12）で得られたノイズ除去画像にはまだ明らかなノイズが残っており、両者は実際のノイズを効果的に除去できないことを示している。これらの方法と比較して、本文の方法で得られたノイズ除去画像は最も鮮明で、背景のぼやけも発生していない。

Table 5 Comparison of denoising effect of different methods on real noisy remote sensing images in AID dataset

指标噪声图像BM3DDnCNNFFDNetNr2NNe2NeGR2RDAA-SSIDFCADNet
BRISQUE↓30.8928.4225.1722.4147.5538.6327.5113.5310.21
NIQE↓6.525.935.294.9712.2310.725.344.373.73
figure
figure
figure
figure
figure
figure
figure
figure
figure

Fig.12 Denoising results of different methods for real noisy remote sensing images in AID dataset

3.6アブレーション試験

本節の実験はすべてσ=25のNWPU-RESISC 45データセットを用いて、PSNRとSSIMを利用して定量評価を行った。

3.6.1異なるモジュールの有効性分析

まず、比較ベースラインとしてベースネットワークを構築し、4つのダウンサンプリング層、16の畳み込み層、4つのアップサンプリング層から構成される。動的適応混合動作AMOの有効性を検証するために、従来のジャンプ接続動作SCを対照として導入した。Table 6異なるモジュール間の組合せを使用した定量的な結果をリストします。BaseからBase+GFEM、BaseからBase+GFEM+SimaMへ、PSNRはそれぞれ0.21 dBと0.68 dB増加していることがわかり、SimaMはパラメータ量を増加していないことがわかります。これにDEMを追加すると、ノイズ除去性能が大幅に向上し、PSNRは1.2 dB増加した。SCとAMOを観察すると、AMOをSCに置き換えた後、PSNRは1.03 dB向上したが、パラメータ数は0.59 M減少した。これはSCの静的スプライスよりもAMOが特徴融合の柔軟性を高め、より詳細な特徴を保持できるためである。

Table 6 Comparison of quantitative results for different module combinations

模块组合方式参数量/106MPSNRSSIM
Base6.6528.830.845
Base+GFEM6.6829.040.846
Base+GFEM+SimAM6.6829.510.851
Base+GFEM+SimAM+DEM6.9630.710.858
Base+GFEM+SimAM+DEM+SC7.7131.880.861
Base+GFEM+SimAM+DEM+AMO7.1232.910.887
さらに、Fig. 13GFEMと4つのAEMモジュールの特徴のために熱図を可視化し、そのマルチスケール特徴抽出能力と注意力焦点能力をより直感的に示す。からFig. 132機の航空機のエッジ構造と局所テクスチャ詳細を見ることができ、GFEMモジュールが初期段階で下地テクスチャ情報とエッジ特徴を効果的に抽出できることを示している。由Fig. 13-（e）可視、AEMの逐次ダウンサンプリングに伴い、モデルは次第に重要な意味領域に対する応答と焦点能力を強化し、背景雑音を効果的に抑制した。
figure
figure
figure
figure
figure
figure

Fig.13 Heatmap of the module's feature visualisation

3.6.2効率解析

本節は異なる方法の浮動小数点演算FLOPsとパラメータ量Paramsを比較し、すべてのモデルはthopを用いて計算し、結果はTable 7を参照してください。Nr 2 N、Ne 2 Ne、GR 2 RはいずれもDnCNNをノイズ除去バックボーンネットワークとして採用しているため、FLOPsとParamsはDnCNNと同じである。FLOPsではSA−SIDが最適であるが、DnCNNベースのノイズ除去方法に比べてFCADNetのFLOPsは低い。ParamsではDnCNNに基づくノイズ除去方法が最適であるが、FCADNetは最新の自己監視方法に比べて低いパラメータ量を取得している。総合的に見ると、FCADNetは両者の間で良いバランスを取っている。

Table 7 Efficiency analysis of different methods

方法FLOPs/109GParams/106M
DnCNN36.720.56
FFDNet14.030.85
Nr2N36.720.56
Ne2Ne36.720.56
GR2R36.720.56
DAA-SSID262.1134.53
SA-SSID8.802.33
FCADNet30.491.96

3.6.3損失関数の有効性分析

本グループの実験はすべてFCADNet上で行い、L1損失、総変分損失LTVと提案したコントラスト知覚損失LCPを異なる組み合わせてノイズ除去効果を分析し、その定量指標はTable 8を参照してください。からTable 8において、L1のみを用いたノイズ除去性能は、LTVのみを用いたノイズ除去性能よりも優れていることが分かる。ただし、L1からL1+LTV、LTVからL1+LTVへ、PSNRはそれぞれ1.28 dBと1.57 dB増加し、L1sub>とLTVを結合するとより良い効果が得られる。L1は画素レベルの違いだけを考慮して、画像の構造やテクスチャ情報を無視しているからである。一方、LTVは、ノイズ除去画像の勾配総和を最小化することでノイズを低減し、単独で使用すると画像が滑らかになりすぎることがあります。しかし、両者を組み合わせて使用すると、より良いノイズ除去結果が得られます。また、L1+LTVからL1+LTV+LL+LCP、PSNRは1.2 dB向上し、LCPの有効性を検証した。

Table 8 Comparison of quantitative results for different loss function combinations

损失函数组合方式PSNRSSIM
L130.430.868
LTV30.140.862
L1+LTV31.710.881
L1+LTV+LCP32.910.887

4結節論

光リモートセンシング画像には、ノイズを除去する際にディテールの損失や背景のぼやけが発生しやすい既存のノイズ除去方法による、より豊富なテクスチャ特徴が含まれています。また、光学リモートセンシング画像については、監視付き学習コストが高い。これらの課題に対応するために、本文は特徴強化と比較学習に基づく自己監督リモートセンシング画像ノイズ除去アルゴリズムを提案し、ノイズ除去分岐と比較分岐から構成される。ノイズ除去ブランチにおいて、本文はエンコーダノイズ除去ネットワークFCADNetからの特徴増強畳み込みを設計し、まずグローバル特徴抽出モジュールGFEMを用いて異なるスケールでの浅層輪郭特徴を得る。その後、エンコーダ段階でSimaMを結合して画像の局所的な詳細情報をフォーカスする。次に、動的特徴強化モジュールDEMにより、より多くの空間構造情報を融合する。最後に、動的適応混合動作AMOを導入して浅層特徴と深層特徴を適応的に保持する。また、コントラスト分岐はノイズ画像が搬送する情報を十分に利用し、適切な正負サンプル対を構築することにより、特徴空間においてコントラスト知覚損失を計算する。同時に、全変分損失と再構築損失を使用して、ネットワークのノイズ除去能力をさらに向上させる。他のノイズ除去方法と比較して、NWPU-RESISC 45とUC Merced land useデータセットにおいて、本文で提案した方法は異なるノイズタイプにおいて良好なノイズ除去効果を得た。また、吉林第1号衛星データとAIDデータ集の真のノイズリモートセンシング画像において、本文が提案した方法も満足なノイズ除去結果を得て、本文方法の有効性をさらに検証した。

References

  1. 1.
    Chen T, Kornblith S, Norouzi M and Hinton G. 2020. A simple framework for contrastive learning of visual representations//Proceedings of the 37th International Conference on Machine Learning. [s.l.]: JMLR.org: 149 [DOI: 10.48550/arXiv.2002.05709]
  2. 2.
    Cheng G, Han J W and Lu X Q. 2017. Remote sensing image scene classification: benchmark and state of the art. Proceedings of the IEEE, 105(10): 1865-1883
  3. 3.
    Cheng L B, Du W L, Li Z and Jia X N. 2025. AFEV-INet: Adaptive feature extraction variational interactive network for remote sensing image denoising. Multimedia Systems, 31(2): 90
  4. 4.
    Dabov K, Foi A, Katkovnik V and Egiazarian K. 2007. Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions on Image Processing, 16(8): 2080-2095
  5. 5.
    Feng Y C, Jiang J W, Xu H H and Zheng J W. 2023. Change detection on remote sensing images using dual-branch multilevel intertemporal network. IEEE Transactions on Geoscience and Remote Sensing, 61: 4401015
  6. 6.
    Geng H, Gu Z X, Weng L Y and Yu J. 2023. A non-local image denoising method based on TV-L1 with variable exponents//Proceedings Volume 12705, Fourteenth International Conference on Graphics and Image Processing (ICGIP 2022). Nanjing: SPIE: 707-715
  7. 7.
    Han L T, Zhao Y C, Lv H Y, Zhang Y S, Liu H L and Bi G L. 2022. Remote sensing image denoising based on deep and shallow feature fusion and attention mechanism. Remote Sensing, 14(5): 1243
  8. 8.
    Huang T, Li S J, Jia X, Lu H C and Liu J Z. 2022. Neighbor2Neighbor: a self-supervised framework for deep image denoising. IEEE Transactions on Image Processing, 31: 4023-4038
  9. 9.
    Jia H B, Yin Q B and Lu M Y. 2022. Blind-noise image denoising with block-matching domain transformation filtering and improved guided filtering. Scientific Reports, 12(1): 16195
  10. 10.
    Lehtinen J, Munkberg J, Hasselgren J, Laine S, Karras T, Ai-ttala M and Aila T. 2018. Noise2Noise: learning image restoration without clean data//Proceedings of the 35th International Conference on Machine Learning. Stockholm: PMLR: 2965-2974
  11. 11.
    Li J, Lin L P, He M G, He J, Yuan Q Q and Shen H F. 2024. Sentinel-1 dual-polarization SAR images despeckling network based on unsupervised learning. IEEE Transactions on Geoscience and Remote Sensing, 62: 1-15
  12. 12.
    Li J Y, Zhang Z L, Liu X Y, Feng C Y, Wang X T and Lei L. 2023. Spatially adaptive self-supervised learning for real-world image denoising//Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver: IEEE: 9914-9924
  13. 13.
    Liu M H, Jiang W Z, Liu W F, Tao D P and Liu B D. 2023a. Dynamic adaptive attention-guided self-supervised single remote-sensing image denoising. IEEE Transactions on Geoscience and Remote Sensing, 61: 4704511
  14. 14.
    Liu Y K, Wan B W, Shi D M and Cheng X C. 2023b. Generative recorrupted-to-recorrupted: an unsupervised image denoising network for arbitrary noise distribution. Remote Sensing, 15(2): 364
  15. 15.
    Luo Z Z, Wang X Y, Pellikka P, Heiskanen J and Zhong Y F. 2024. Unsupervised adaptation learning for real multiplatform hyperspectral image denoising. IEEE Transactions on Cybernetics, 54(10): 5781-5794
  16. 16.
    Mittal A, Moorthy A K and Bovik A C. 2012. No-reference image quality assessment in the spatial domain. IEEE Transactions on Image Processing, 21(12): 4695-4708
  17. 17.
    Mittal A, Soundararajan R and Bovik A C. 2013. Making a “completely blind” image quality analyzer. IEEE Signal Processing Letters, 20(3): 209-212
  18. 18.
    Moran N, Schmidt D, Zhong Y and Coady P. 2020. Noisier2Noise: learning to denoise from unpaired noisy data//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle: IEEE: 12061-12069
  19. 19.
    Pan Y Z, Liu X, Liao X Y, Cao Y Z H and Ren C. 2023. Random sub-samples generation for self-supervised real image denoising//Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Paris: IEEE: 12116-12125
  20. 20.
    Tao C, Qi J, Guo M N, Zhu Q and Li H F. 2023. Self-supervised remote sensing feature learning: learning paradigms, challenges, and future works. IEEE Transactions on Geoscience and Remote Sensing, 61: 1-26
  21. 21.
    Thai D H, Fei X Q, Le M T, Züfle A and Wessels K. 2023. Riesz-Quincunx-UNet variational autoencoder for unsupervised satellite image denoising. IEEE Transactions on Geoscience and Remote Sensing, 61: 5404519
  22. 22.
    Wang P Q, Chen P F, Yuan Y, Liu D, Huang Z H, Hou X D and Cottrell G. 2018. Understanding convolution for semantic segmentation//2018 IEEE Winter Conference on Applications of Computer Vision (WACV). Lake Tahoe: IEEE: 1451-1460
  23. 23.
    Wang Z, Wei J Z, Wang Y and Li Q. 2024c. Remote sensing image denoising algorithm based on improved transformer network//Proceedings Volume 13182, 2024 International Conference on Optoelectronic Information and Optical Engineering (OIOE 2024). Kunming: SPIE: 169-176
  24. 24.
    Wang Z B, Chang H, Bai L, Chen L F and Bi X L. 2024a. A creative weak supervised semantic segmentation for remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 62: 1-13
  25. 25.
    Wang Z B, He X Q, Xiao B, Chen L F and Bi X L. 2024b. RSID-CR: remote sensing image denoising based on contrastive learning. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17: 18784-18799
  26. 26.
    Woo S, Park J, Lee J Y and Kweon I S. 2018. CBAM: convolutional block attention module//Proceedings of the 15th European Conference on Computer Vision – ECCV 2018. Munich: Springer: 3-19
  27. 27.
    Xia G S, Hu J W, Hu F, Shi B G, Bai X, Zhong Y F, Zhang L P and Lu X Q. (2017). AID: a benchmark data set for performance evaluation of aerial scene classification. IEEE Transactions on Geoscience and Remote Sensing, 55(7): 3965-3981
  28. 28.
    Yang L X, Zhang R Y, Li L D and Xie X H. 2021. SimAM: a simple, parameter-free attention module for convolutional neural networks//Proceedings of the 38th International Conference on Machine Learning. [s.l.]: PMLR: 11863-11874
  29. 29.
    Yang Y and Newsam S. 2010. Bag-of-visual-words and spatial extensions for land-use classification//Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems. San Jose: Association for Computing Machinery: 270-279
  30. 30.
    Yu B W, Zhou Y F, Liu X and Wang X G. 2022. A non-local means based multiplicative denoising method for image processing//Proceedings of the 6th International Technical Conference on Advances in Computing, Control and Industrial Engineering (CCIE 2021). Singapore: Springer: 763-773
  31. 31.
    Zhang D, Zhou F F, Jiang Y W and Fu Z M. 2023a. MM-BSN: self-supervised image denoising for real-world with multi-mask based on blind-spot network//Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Vancouver: IEEE: 4189-4198
  32. 32.
    Zhang J, Lu M X, Li J K, Xu D Y, Huang W X and Shi X P. 2024. Residual dense convolutional autoencoder for high noise image denoising. Computer Science, 51(6A): 230400073
  33. 33.
    Zhang K, Zuo W M, Chen Y J, Meng D Y and Zhang L. 2017. Beyond a Gaussian denoiser: residual learning of deep CNN for image denoising. IEEE Transactions on Image Processing, 26(7): 3142-3155
  34. 34.
    Zhang K, Zuo W M and Zhang L. 2018. FFDNet: toward a fast and flexible solution for CNN-based image denoising. IEEE Transactions on Image Processing, 27(9): 4608-4622
  35. 35.
    Zhang Y, Bai L, Wang Z B, Fan M, Jurek-Loughrey A, Zhang Y Q, Zhang Y, Zhao M and Chen L F. 2023b. Oil well detection under occlusion in remote sensing images using the improved YOLOv5 model. Remote Sensing, 15(24): 5788

続きを読む

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website