Anterior|Próximo

Denoising auto supervisionado de imagens de sensoriamento remoto baseado em aprimoramento de características e aprendizado contrastivo

  • 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

Resumo

Devido à forma única de aquisição das imagens de sensoriamento remoto, seu processo de captura é facilmente afetado por ruídos, o que causa uma grave degradação da informação, e no mundo real é difícil obter imagens limpas e com ruído da mesma cena. Portanto, a denoising auto-supervisionada de imagens tornou-se uma direção popular de pesquisa. Para imagens de sensoriamento remoto com texturas complexas, os métodos de denoising atuais apresentam problemas de perda de detalhes e desfoque de fundo. Para isso, este artigo propõe um algoritmo de denoising auto-supervisionado baseado em aprimoramento de recursos e aprendizado contrastivo, composto por duas partes: um ramo de denoising e um ramo de contraste. No ramo de denoising, inicialmente foi projetada uma rede de denoising autoencoder convolucional com aprimoramento de recursos, introduzindo um módulo de extração de características globais e um módulo de atenção para obter características de contorno em camadas rasas em diferentes escalas e características detalhadas locais; em seguida, utiliza-se um módulo dinâmico de aprimoramento de características para expandir o campo receptivo a fim de fundir mais informações estruturais espaciais; por fim, no módulo de reconstrução de imagens, o fluxo de informações profundas e rasas é preservado por meio de uma operação dinâmica adaptativa mista. No ramo de contraste, o algoritmo utiliza totalmente as informações contidas nas imagens ruidosas através de uma estratégia de aprendizado contrastivo para construir uma nova perda perceptiva contrastiva, e combina a perda de reconstrução e a perda total de variação para medir a suavidade e a capacidade de preservação de detalhes da imagem denoised, reduzindo efetivamente o desfoque de fundo. Por fim, os métodos propostos foram comparados com outros métodos de denoising nos conjuntos de dados NWPU-RESISC45 e UC Merced Land Use. Os resultados mostraram que o método proposto melhorou a relação sinal-ruído pico média do ruído gaussiano em 1,47 a 4,34 dB e 2,06 a 4,95 dB, e a similaridade estrutural média em 2,3% a 11,8% e 2,6% a 11,5%. Além disso, o método também obteve bons resultados de denoising em imagens de sensoriamento remoto com ruído speckle, ruído de faixa e ruído real.

Palavras-chave

sensoriamento remoto;denoising de imagens;aprendizado profundo;auto supervisão;autoencoder;aprendizado contrastivo;perda perceptiva contrastiva;preservação de detalhes

1 Introdução

Imagens de teleobservação óptica como um instrumento importante para a obtenção de informações tem sido amplamente utilizado para a detecção de mudanças na cobertura terrestre (Feng等，2023Identificação de alvos de poços de petróleo (Zhang等，2023b (e a divisão semântica dos gasodutos)Wang等，2024a (Outras áreas). No entanto, as características físicas do desempenho dos dispositivos de imagem de teledetecção e a interferência do ambiente externo geralmente tornam as imagens de teledetecção vulneráveis a ruído aleatório, o que resulta na degradação do conteúdo da informação. Essa degradação não afeta apenas a legibilidade da imagem, mas também a precisão de processamento das tarefas downstream. Portanto, a remoção eficiente do ruído no pré-processamento de imagens de detecção remota continua a ser uma questão prioritária.
Os métodos tradicionais de eliminação de ruído de imagem geralmente usam alguns métodos de filtro (Yu等，2022，Jia等，2022para remover o ruído, mas é fácil suavizar excessivamente em níveis elevados de ruído. Para melhor manter as características texturais das imagens, estudos já foram feitos usando variações baseadas em toda (Geng等，2023O método de desruído da imagem é complexo e de alto custo de cálculo. Em comparação com os métodos tradicionais, o método de eliminação de ruído baseado em aprendizado profundo pode extrair características profundas de forma eficiente e remover melhor o ruído.Zhang等（2017）A primeira introdução de operações de aprendizagem residual e normalização para desruído de imagem, este método é visto como um padrão de referência no campo da desruído de imagem. Em seguida,Zhang等（2018）O FFDNet também pode lidar com uma gama maior de níveis de ruído. Em seguida,Lehtinen等（2018）Foi demonstrado pela primeira vez que é possível escapar das limitações de imagens limpas para alcançar a eliminação de ruído, mas o método requer obter pares de imagens de ruído no mesmo cenário. Para eliminar essa restrição,Moran等（2020）Destruir novamente a imagem de ruído original por meio do ruído anterior, mas é susceptível de desfocamento de fundo.Huang等（2022）A amostragem de dados de treinamento é feita com submustradores aleatórios vizinhos. Recentemente,Li等（2023）Diferentes mecanismos de pseudosupervisão foram construídos para a área plana e a área de textura da imagem, respectivamente, para melhorar o desempenho de desruído auto-supervisionado sob ruído real. Mas essa abordagem exige treinar várias subredes, o que resulta em custos elevados de treinamento.Pan等（2023）Estratégias de geração de sub-amostras aleatórias foram propostas para aliviar a amostra insuficiente, mas o método é mais sensível à escolha de perturbações de amostragem.Zhang等（2023a）Uma estratégia de múltiplas máscaras foi proposta para interromper a relevância espacial do ruído, ao mesmo tempo que combina as características da extração de camadas de múltiplas máscaras com a fusão de redes de pontos cegos para remover eficazmente o ruído real. Ao contrário das imagens tradicionais, imagens naturais geralmente são tiradas em ambientes relativamente estáveis ​​com alta resolução. O ambiente de imagem de imagens de teledetecção óptica é mais complexo, sua resolução varia muito e contém características de textura mais complexas, não só para remover o ruído, mas também para reconstruir texturas de detalhes claros.
No campo da eliminação de ruído de imagens de detecção remota baseadas em aprendizado profundo, as imagens podem ser divididas em três categorias: supervisionadas, não supervisionadas e auto-supervisionadas. Existem métodos de supervisão que requerem imagens limpas e ruído em pares para treinar a rede. Para obter informações detalhadas,Han等（2022）Utilize módulos de extração de características em múltiplas escalas e mecanismos de atenção para remover o ruído. Recentemente,Wang等（2024c）Um algoritmo melhorado baseado no Transformer foi proposto, usando um módulo de desruído tipo U para reduzir a lacuna semântica entre o mapeamento de características da imagem.Cheng等（2025）Combine sub-redes interativas profundas para extrair características multidimensionais de imagens de teledetecção para evitar a perda de detalhes. No entanto, para imagens de teledetecção óptica, é mais difícil obter imagens limpas e pares de imagens de ruído na mesma cena.
Para reduzir os custos de aquisição de dados, os pesquisadores propuseram uma abordagem de desruído não supervisionada que nunca marcava diretamente a estrutura e distribuição dos dados de aprendizagem nos dados, sem qualquer pseudorótulo.Liu等（2023b）Primeiro, imagens residuais e máscaras aleatórias são usadas para gerar um modelo de ruído e, em seguida, um módulo de pseudosupervisão é usado para desruído.Li等（2024）A rede de desmanchagem de duas ramificações construída elimina eficazmente o ruído desmanchado em imagens de teledetecção. Recentemente,Luo等（2024）Uma rede de desruído de imagens de detecção remota baseada em aprendizagem adaptativa não supervisionada foi projetada para manter as informações de fundo bem. Embora os métodos não supervisionados não precisem de dados de treinamento em pares, eles dependem em grande parte de estimativas precisas do modelo de ruído, o que pode consumir recursos computacionais e tempo maiores para otimizar modelos de ruído complexos.
O método de auto-supervisão combina as vantagens de métodos supervisionados e não supervisionados, que podem gerar sinais de supervisão em dados nunca marcados e, em seguida, aprender a representar características eficazes (Tao等，2023）。Liu等（2023a）Proposta-se uma rede de desruído de imagem de teledetecção única de auto-supervisão guiada pela atenção dinâmica e adaptativa DAA-SSID, capaz de remover eficazmente o ruído gaussiano das imagens de teledetecção.Wang等（2024b）Combinando o pensamento de aprendizagem contrastante com a construção de pares de amostras positivas e negativas, um bom efeito de desruído foi alcançado em vários ruídos de imagem de teledetecção. Além disso, o auto-codificador convulsivo é um modelo de auto-supervisão comumente usado que extrai automaticamente representações de características de dados através de processos de codificação e descodificação, capaz de manter as características locais e detalhadas da imagem.Thai等（2023）Um codificador automático variado híbrido foi proposto para remover o ruído. Para melhorar a qualidade da imagem,张杰等（2024）Uma convolução densa de resíduos foi projetada a partir de uma rede de codificadores para extrair características profundas da imagem. No entanto, as imagens de detecção remota contêm texturas de detalhes mais ricas e os métodos existentes ainda têm espaço para melhorias em termos de manutenção de detalhes.
Embora a abordagem de eliminação de ruído baseada em aprendizagem profunda tenha alcançado muitos resultados, ainda existem desafios como a perda de características de detalhes e a falta de perda de percepção eficaz. Para isso, este artigo propõe um algoritmo de desruído de imagem de detecção remota auto-supervisionado baseado em aprendizagem de aprimoramento de características e contraste, que não requer imagens limpas e imagens de ruído em pares, compostas por ramos de desruído e ramos de contraste. No ramo de eliminação de ruído, este artigo construiu uma rede de eliminação de ruído de codificador automático de convulsão aprimorada, primeiro obtendo características de contorno superficial em diferentes escalas através de módulos de extração de características globais; Em seguida, use o módulo de extração de atenção para focar em características texturais complexas; Em seguida, o módulo de melhoria de características dinâmicas combina informações estruturais espaciais; Finalmente, a introdução de operações híbridas dinâmicas adaptativas no módulo de reconstrução de imagem permite uma melhor fusão de características superficiais. No ramo de contraste, este artigo aproveita as informações características transportadas pelas imagens de ruído para projetar novas perdas de percepção de contraste usando diferentes estratégias de melhoria de dados, combinando perdas de reconstrução e perdas de variabilidade total para preservar melhor os detalhes da borda da imagem. Em dois conjuntos de dados, NWPU-RESISC45 e UC Merced Land Use, este método foi comparado com métodos de eliminação de ruído existentes para verificar a eficácia e robustez do método proposto em várias condições de ruído.

2 Métodos de pesquisa

2.1 Quadro geral

Fig. 1Quadro geral de desruído para imagens de teledetecção, dividido em estágios de treinamento (Fig. 1 (e fase de raciocínio)Fig. 1）。 A imagem de ruído é gerada pela operação de melhoria de dados no ramo de eliminação de ruído e, em seguida, é enviada para a rede de eliminação de ruído FCADNet para reconstruir a imagem de eliminação de ruído. Usando operações de melhoria de dados diferentes das anteriores para a imagem original no ramo de contraste, alterando as características visuais da imagem sem introduzir ruído adicional. Em seguida, um par de amostras positivas e negativas é construído entre a imagem de ruído e outras imagens aprimoradas e enviado para um espaço característico unificado para restrição. Finalmente, durante a fase de treinamento, a perda de reconstrução, a perda de variação total e a perda de percepção de contraste são usadas como funções de perda conjunta para orientar o treinamento da rede. Na fase de raciocínio, a imagem de ruído é enviada para o FCADNet para obter a imagem de desruído.
figure
figure

Fig. 1 Overall framework

2.2 Características aprimoradas para a rede de redução de ruído de convulsão do codificador

A rede de redução de ruído do codificador FCADNet apresentada neste artigo é composta por 4 partes: o módulo de extração de características globais GFEM, o módulo de extração de atenção AEM, o módulo de melhoria de características dinâmicas DEM e o módulo de reconstrução de imagens IRM, comoFig. 2mostrado. A entrada da rede é uma imagem de teledetecção de ruído, que primeiro extrai características superficiais em diferentes escalas através do módulo de extração de características globais GFEM. Em seguida, a representação de características locais em diferentes espaços de resolução foi aprendida através de quatro operações de amostragem e módulo de extração de atenção AEM. Para integrar mais informações estruturadas espacialmente, a construção de módulos de melhoria de características dinâmicas DEM melhora a capacidade de mudança da rede. Finalmente, utilize as operações de amostragem superior correspondentes e o módulo de reconstrução de imagem IRM para obter imagens de desruído. Usando uma operação híbrida dinâmica adaptativa no módulo de reconstrução de imagem IRM, o AMO integra de forma adaptativa fluxos de informações de superfície profunda para reduzir a perda de características.
figure

Fig. 2 FCADNet network architecture

2.2.1 Módulo de extração de características globais

Em comparação com a convolução normal, a convolução vazia expande o campo de sensação sem aumentar significativamente o número de parâmetros e mantendo a resolução da imagem. O módulo de extração de características globais projetado neste artigo GFEM contém quatro ramos, como:Fig. 3mostrado. Existem muitos métodos que usam a convolução vazia com taxas de expansão de 1, 3, 5, 7, mas essa taxa de expansão que aumenta em passos fixos pode facilmente resultar em efeitos de malha. Este artigo refere-se ao método de projeto de convolução vazia HDC (Wang等，2018Os três princípios são o uso de taxas de expansão serrada 1, 2, 3, 2 para melhorar a utilização de pixels na área de cálculo. Em seguida, os quatro ramos são caracterizados por fusão, com o canal total após a junção de quatro vezes o canal de saída. Finalmente, use a camada de convolução 1 x 1 para obter a redução de dimensões de características para obter características globais.O processo específico é definido da seguinte forma:
no estilo,para imagens de ruído,para a convulsão comum,Características da camada de fusão,Para ativar a função,para a normalização,para o vazio,para o canal de saída,para o tamanho do núcleo,para a taxa de expansão.
figure

Fig. 3 Global feature extraction module architecture

2.2.2 Módulo de extração de atenção

Os mecanismos de atenção anteriores geralmente se concentravam apenas em informações de canal ou espaço, sem considerar a interação de informações entre ambos. Depois, CBAM（Woo等，2018Estima o peso do canal e do espaço separadamente e combina os dois para obter um mecanismo de atenção tridimensional, mas o tempo de cálculo é mais longo. Simam (Yang等，2021O problema acima foi superado de forma eficaz para melhorar a representação de características calculando a relevância e re-ponderando para cada canal de características. Suponha que uma característica é， C, H e W são o número de canais, altura e largura, respectivamente.Mostrarum canal característico. Primeiro, para cada canal de gráfico de característicasCálculo de SignificaçãoA fórmula de cálculo é a seguinte:
no estilo,eA média e o desvio padrão.É um número positivo muito pequeno que evita a divisão por zero. Em seguida, mapear a pontuação de significação como um fator de atenção usando a função Sigmoidou seja:
Por fim, o fator de atençãoAplica-se às características originais, a saber:
Com base nisso, o módulo de extração de atenção AEM construído neste artigo é comoFig. 2mostrado. Cada AEM passa primeiro por dois conjuntos de camadas de convolução 3x3, camada de normalização em lote e camada de função de ativação para obter características intermediárias. Em seguida, os recursos intermediários são enviados para os recursos aprimorados no SimAMO processo específico é definido a seguir:
no estilo,Características de saída final do módulo anterior.

2.2.3 Módulo de melhoria de características dinâmicas

A posição de amostragem das operações de convolução tradicionais é fixa e não se adapta bem às transformações geométricas do alvo, enquanto a convolução deformável captura melhor transformações geométricas complexas, comoFig. 4mostrado. Inspirado no que foi dito acima, este artigo melhora o módulo DEM por meio da construção de características dinâmicas por convolução deformável para melhorar a capacidade de transformação do modelo. Como o desvio do cálculo de convulsão comum aumenta significativamente a quantidade de parâmetros da rede, este artigo usa a convulsão separavel de profundidade em vez da convulsão comum. Especificamente, primeiro obtenha o deslocamento usando a convulsão separavel de profundidade, em seguida, obtenha o índice de posição após o deslocamento deformável de cada elemento nuclear, em seguida, obtenha o valor característico em posições não inteiras usando interpolação bilineare, em seguida, recombina o gráfico de deslocamento na forma original do gráfico e, finalmente, faça a operação de convulsão do gráfico de reconstrução para obter o gráfico final.O processo específico é definido a seguir:
no estilo,Convolução separavel de profundidade,Para reconstruir a função Characteristic Chart,para uma função de interpolação bilineal,Função de índice de posição de deslocamento. Por fim, este artigo usa dois módulos de melhoria de características dinâmicas para integrar mais informações estruturadas espacialmente.
figure

Fig. 4 Dynamic feature enhancement module architecture

2.2.4 Módulo de reconstrução de imagens

À medida que a profundidade da rede aumenta, algumas características superficiais, como bordas e contornos, se deterioram gradualmente. As conexões de salto tradicionais carecem de flexibilidade ao combinar características de diferentes níveis e tamanhos. Para isso, este artigo projetou uma operação híbrida dinâmica adaptativa AMO a partir da fusão adaptativa de informações superficiais e profundas, como:Fig. 5mostrado. DadoeCaracterísticas superficiais e profundas, respectivamente. Em primeiro lugar, obter as características de fusão preliminares usando a operação de junção. Em seguida, o peso de fusão aprendido α é obtido através da camada de convolução 1×1 e da função Sigmoide, ou seja:
no estilo,O intervalo de valor é (0, 1) e S é uma função sigmoide. Em seguida,Efeito separado para características superficiaise características profundasSuba para obter características de fusãoou seja,
Finalmente, cada módulo de reconstrução de imagem IRM é composto por AMO e dois conjuntos de camadas de convolução 3 × 3, camada de normalização em lote e camada de função de ativação para obter características de imagem reconstruída.O processo específico de definição é o seguinte:
O peso deste método pode ser gerado dinamicamente com base no conteúdo do gráfico de características de entrada, aumentando a flexibilidade da fusão de características e mantendo características mais detalhadas.
figure

Fig. 5 Dynamic adaptive mix-up operation

2.3 Perda de percepção comparativa

Este artigo cria perdas de percepção de contraste para melhorar a percepção de conteúdo da rede. SimCLR (em inglês)Chen等，2020Inspirado, o par de amostras positivas e negativas é construído usando dois métodos de melhoria diferentes para o mesmo conjunto de imagens. Primeiro, a imagem de ruído sintético é marcada como âncora como a primeira amostra aprimorada de imagem limpa. Em seguida, selecione uma série de outras técnicas de melhoria de dados, como flip, transformação de cor e corte, aplicadas ao mesmo conjunto de imagens limpas como uma segunda amostra de melhoria para alterar as características visuais da imagem sem introduzir ruído adicional. Neste caso, a âncora e a amostra reforçada com o mesmo conteúdo constituem um par de amostra positivo e a âncora e a amostra reforçada com o mesmo conteúdo constituem um par de amostra negativo. paraPara uma amostra, cada amostra tem um par de amostras positivas eUm par de amostras negativas, o processo de construçãoFig. 6mostrado. Em seguida, este artigo seleciona o modelo de pré-treinamento VGG19 como espaço característicoExtrair informações de características em diferentes níveis para definir a perda de percepção de contraste, calculando a âncora e melhorando as diferenças entre as amostras em representações de características em várias camadasPermite que a rede se concentre no aprendizado das texturas, bordas e características estruturais das imagens, evitando um fenômeno excessivamente liso. A fórmula de cálculo é a seguinte:
Na fórmula, N representa o tamanho de um BatchSize durante o treinamento e M representa o número de camadas do VGG19.É um coeficiente de peso usado para controlar o peso das diferentes camadas do VG19.MostrareentreA fórmula, cuja fórmula é，Seção de extraçãoA camada VGG19.para ouma imagem de ruído,para ouma amostra melhorada,para oimagem de ruído com o mesmo conteúdo além da amostra melhoradaUma amostra melhorada. Parâmetros de temperaturaAjustar a distância entre as amostras.
figure

Fig. 6 Construction process of positive and negative pairs

2.4 Perdas de reconstrução

Para informações estruturais superficiais da imagem, a utilizaçãoPerdas como perdas de reconstrução. Em comparação comperdas,A perda é insensível aos valores anormais, não suaviza excessivamente os resultados e, de certa forma, ajuda a manter a borda da imagem. Portanto, o usoPerda para medir imagens de desruídoImagem com destinoA diferença entre os níveis de pixel é mais adequada. A fórmula de cálculo é a seguinte:

2.5 Perda variada total

Em tarefas de desruído de imagem, o trabalho anterior usou extensivamente a perda total de variabilidade heterosexual como um método de regularização. A variação total heterodirecional minimiza as mudanças entre os pixels vizinhos na imagem para preservar melhor as bordas e os detalhes da imagem. Aqui as imagens de desruído são marcadas comoA fórmula de cálculo é a seguinte:
no estilo,Mostrar imagem na posiçãoO valor do pixel éRepresenta o valor absoluto da diferença entre os pixels vizinhos da imagem na direção horizontal,Representa o valor absoluto da diferença entre os pixels vizinhos da imagem na direção vertical. Ao calcular e somar os valores absolutos dessas diferenças, a variação total da imagem de desruído pode ser obtida de forma eficaz para remover ainda mais o ruído.

2.6 Funções de perda conjunta

Finalmente, este artigo considera a soma ponderada de perdas de reconstrução, perdas de variabilidade total e perdas percebidas de contraste como objetivos de otimização global. Esta função de perda combinada é definida da seguinte forma:
no estilo,Representa um hiperparâmetro que controla os diferentes graus de contribuição para a perda.

3 Configuração experimental e análise dos resultados

3.1 Configuração experimental

Os ambientes usados ​​experimentalmente foram Python 3.8, PyTorch 1.11.0, MindSpore e GPUs NVIDIA A100 Tensor Core, com a versão CUDA 11.3. Durante o treinamento, o tamanho do lote foi definido para 16, o número total de épocas de treinamento foi de 150 e a taxa de aprendizagem inicial foi de 0,0001, e o modelo foi treinado usando o otimizador Adam com taxas de declinação exponencial β1 e β2 de 0,9 e 0,999, respectivamente. Para evitar uma explosão de gradiente, use a estratégia de rebocamento cosinus para ajustar a taxa de aprendizagem. Com base na experiência, os parâmetros de punição λ1, λ2 e λ3 são definidos como 1, 0,1 e 1e-4, respectivamente. Além disso, o parâmetro de temperatura τ para o aprendizado de contraste foi definido para 0,1. No modelo de pré-treinamento VGG19, as camadas 1, 3, 5, 9 e 13 são extraídas de cinco camadas de características potenciais, correspondendo à primeira camada de convolução de cada fase do VGG19. Ao mesmo tempo, são atribuídos coeficientes de peso apropriados ωm, 1/32, 1/16, 1/8, 1/4, 1, respectivamente, que são inversamente proporcionais ao múltiplo de compressão da resolução espacial de cada fase do VGG19, formando uma estratégia de ponderação em forma exponencial.

3.2 Configurações do conjunto de dados

O objetivo deste estudo é imagens de teleobservação de luz visível. Para experimentos de ruído sintético, use um conjunto de dados de referência de 2 cenários de teledetecção. Conjunto de dados NWPU-RESISC45 (Cheng等，2017Contém 45 categorias de cenas, com 700 imagens por categoria, com tamanho de imagem de 256 x 256 e resolução espacial de 0,2 a 30 m. 600 imagens foram extraídas aleatoriamente de cada categoria como conjuntos de treinamento e os restantes 4500 como conjuntos de teste. UC Merced Conjunto de dados sobre uso da terraYang和Newsam，2010Contém 21 categorias de cenas com 100 imagens por categoria, tamanho de imagem 256 x 256 e resolução espacial de 0,3 m. 50 imagens foram extraídas aleatoriamente de cada categoria como conjunto de teste auxiliar. Em seguida, o ruído gaussiano de σ=[0, 75], L=[0, 75], I=[0, 75], σ, L e I representam os níveis de ruído dos três.
Para demonstrar ainda mais a eficácia deste método, os dados de agrupamento multi-espectral de 0,5 m + 2 m obtidos pelo satélite Jilin I em 6 de novembro de 2022 foram usados ​​como produtos de classe L1. A área de imagem é a cidade de Jingmen, na província de Hubei, localizada em 111°51′E-113°29′E e 30°32′N-31°36′N. A partir da imagem foram cortadas 30 sub-imagens com ruído para formar um pequeno conjunto de teste, o tamanho da imagem é de 256 x 256, os tipos de imagem incluem principalmente terrenos para construção, corpos de água, áreas residenciais e fábricas, etc. Além disso, este artigo é extraído do conjunto de dados da AID (Xia等，2017Algumas imagens de detecção remota com ruído real foram selecionadas no conjunto de dados com resolução de imagem de 0,5 a 8,0 m e tamanho de imagem de 600 x 600. Este artigo seleciona imagens de ponte com maior ruído como dados de teste e recorta-as para um tamanho de imagem de 256 x 256 para um total de 20 imagens.

3.3 Métodos de comparação e indicadores de avaliação

Este artigo compara o método tradicional de eliminação de ruído BM3D (Dabov等，2007Dois métodos de eliminação de ruído supervisionados (DnCNN)Zhang等，2017FFDNet (em inglês)Zhang等，20183 métodos de desruído auto-supervisionados Ne2Ne(Huang等，2022）、 DAA-SSID（Liu等，2023aSA-SSID (em inglês)Li等，2023 ), e dois métodos de desruído não supervisionados Nr2N(Moran等，2020GR2R (em inglês)Liu等，2023b）。 Para os conjuntos de dados de ruído sintético com valores reais no solo, o relatório de sinal-ruído de pico PSNR e o índice de semelhança estrutural SSIM são usados ​​como indicadores de avaliação, ambos os quais são valores maiores que indicam melhor qualidade de imagem, com o intervalo de SSIM de 0-1. Para os conjuntos de dados de ruído real sem os valores reais do solo correspondentes, este artigo avalia a qualidade da imagem sem referência BRISQUE (Mittal等，2012 (e NIQE)Mittal等，2013Como um indicador de avaliação, ambas as pontuações são menores, indicando melhor a qualidade da imagem.

3.4 Análise dos resultados do conjunto de dados de ruído sintético

Em experimentos, PSNR e SSIM foram usados ​​para avaliar o desempenho de desruído de diferentes métodos. Quando os níveis de ruído gaussiano σ são 10, 25, 50 e 75, os efeitos de desruído deste método com outros métodos foram comparados em dois conjuntos de dados de teledetecção, NWPU-RESISC45 e UC Merced Land Use.Table 1mostrado. Os melhores resultados foram obtidos em diferentes níveis de ruído gaussiano, seguidos pela DnCNN. No caso dos níveis de ruído mais baixos σ=10 e σ=25, o desempenho de eliminação de ruído do GR2R é superior ao do DAA-SSID, mas os indicadores quantitativos do DAA-SSID superam o GR2R à medida que os níveis de ruído aumentam. Isso ocorre porque o GR2R usa uma máscara aleatória para obter um modelo de ruído gerado, perdendo algumas informações de pixel. O DAA-SSID evita a perda de informações através de múltiplas amostragens aleatórias de Bernoulli e tem certas vantagens em face de níveis mais altos de ruído. Além disso, BM3D e Nr2N tiveram os piores resultados em dois conjuntos de dados. Isso ocorre porque o BM3D é capaz de encontrar blocos de imagem semelhantes com precisão e remover o ruído através de transformação e filtragem em níveis baixos de ruído, enquanto a precisão da correspondência de blocos semelhantes diminui à medida que os níveis de ruído aumentam, levando à introdução de erros durante o processo de desruído. Enquanto o Nr2N usa um novo ruído para destruir a imagem de ruído original durante o treinamento, o método também não é capaz de remover o ruído bem em casos de alta interferência de ruído.

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
Além disso,Table 2Os indicadores quantitativos de desruído de diferentes métodos são listados quando o ruído disperso é [0,75] e o ruído de faixas é [0,75]. Como o BM3D é projetado principalmente para ruído gaussiano acrescentado, o efeito de tratamento de ruído de manchas dispersas e ruído de listras estruturalmente fortes é limitado, o BM3D não é usado como método de contraste nestas duas classes de ruído. Além disso, para validar melhor a inovação deste método, o mais recente método de auto-supervisão SA-SSID para comparação foi introduzido. porTable 2No NWPU-RESISC45 e no UC Merced Land Use2, o FCADNet foi mais eficaz na remoção do ruído disperso, com 1,06-7,47 dB e 0,77-7,26 dB de PSNR superiores aos outros métodos, respectivamente. Os resultados experimentais observando o ruído de faixas revelaram que o Ne2Ne e o DAA-SSID não podem remover o ruído de faixas, porque ambos exigem que o ruído seja independente um do outro e não podem remover o ruído de faixas estruturais. Além disso, o SA-SSID usa informações de área remota local para reconstruir imagens e, embora alivie a dependência da independência do ruído e seja adaptável ao ruído de correlação espacial, o método não é bem capaz de construir sinais de pseudovigilância para ruído de raias verticais direcionais e globalmente consistentes, o que é menos eficaz do que o FCADNet e o DnCNN.

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
Nível de ruído 25, por exemplo.Fig. 7—Fig. 9Os resultados da visualização de diferentes métodos para remover o ruído gaussiano, o ruído disperso e o ruído listrado foram apresentados separadamente. observaçãoFig. 7A maioria dos campos de ténis é conhecida BM3D（Fig. 7 (Nr2N)Fig. 7A perda de detalhes ocorreu após a remoção do ruído gaussiano, e a linha sólida branca no campo de tênis foi gravemente difusa. Em comparação com outros métodos, FCADNet（Fig. 7Detalhes mais completos do local foram mantidos. deFig. 8A área ampliada pode ser vista, DnCNN（Fig. 8Após a remoção do ruído disperso, apareceu uma falsificação vermelha nas asas, enquanto FFDNet(Fig. 8A falsificação é mais grave tanto nas asas quanto no fundo. DAA-SSID（Fig. 8SA-SSID (em inglês)Fig. 8Após a remoção do ruído disperso, o fundo da imagem apareceu um ligeiro fenômeno de suavidade excessiva, em comparação com o FCADNet（Fig. 8As imagens de desruído obtidas preservam melhor a linha branca sólida do solo no aeroporto. observaçãoFig. 9Sabemos, FFDNet（Fig. 9Após a remoção do ruído de faixas apareceu um grande número de falsificações, DnCNN（Fig. 9）、 Nr2N（Fig. 9）、 Ne2Ne（Fig. 9）、 GR2R（Fig. 9SA-SSID (em inglês)Fig. 9Ainda há uma faixa vertical mais evidente no fundo da imagem de desruído obtida, enquanto o DAA-SSID(Fig. 9As imagens de desruído obtidas apresentam sobreexposição de fundo. Em comparação, FCADNet（Fig. 9Capaz de remover eficazmente o ruído de faixas.
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

Ao mesmo tempo, este artigo também compara as diferenças entre diferentes métodos de eliminação de ruído para imagens de textura simples e imagens de textura complexa sob interferência de alto nível de ruído. Aqui, as categorias de aeroporto e áreas residenciais do conjunto de dados UC Merced Land Use foram selecionadas como objetos experimentais para texturas simples e complexas, respectivamente, com 50 imagens por categoria. Resultados quantitativos e visuaisTable 3eFig. 10De.Table 3Pode-se ver que a eliminação do ruído com este método é melhor, aumentando o PSNR de 15,27 dB e 15,05 dB, respectivamente, em comparação com a eliminação do ruído anterior, enquanto o SSIM foi melhorado de 0,575 e 0,576, respectivamente. Além disso, em comparação com o mais recente DAA-SSID, o PSNR de imagens com texturas simples e complexas obtidas após a remoção de ruído do FCADNet foi 1,84 dB e 2,02 dB superior ao obtido pelo DAA-SSID, respectivamente.Fig. 10Mostra os resultados da visualização de imagens em texturas simples e complexas. Para aviões em imagens de textura simples, DAA-SSID pode ser visto (Fig. 10Algumas falsidades vermelhas apareceram na sombra das asas. Além disso, para casas em imagens de textura complexa, FCADNet（Fig. 10）The obtained denoised image shows clearer tree crown texture. This indicates that the method proposed in this article can effectively remove noise in complex texture regions of remote sensing images.

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 Análise dos resultados do conjunto de dados de ruído real

Esta seção utiliza os indicadores de avaliação não referentes BRISQUE e NIQE. No conjunto de dados de teledetecção de ruído real do satélite Jilin 1, o efeito de eliminação de ruído deste método foi comparado com outros métodos, incluindo indicadores de avaliação não referentes, como:Table 4mostrado.Fig. 11Os resultados da visualização de diferentes métodos para remover imagens de teledetecção de ruído real do Jilin One são listados. Como a distribuição do ruído real é desconhecida, a eliminação de ruído cega é usada aqui e todos os métodos usam o modelo de ruído σ=10 para avaliar a eliminação de ruído. porTable 4No processamento de imagens de ruído real obtidas pelo satélite Jilin-1, o Nr2N e o Ne2Ne têm o pior efeito de desruído. Em contraste, este método mostrou um melhor desempenho de eliminação de ruído. porFig. 11visível, Nr2N（Fig. 11Ne2Ne (em inglês)Fig. 11Após a remoção do ruído, uma grande quantidade de ruído foi introduzida no fundo da imagem. BM3D（Fig. 11Após a eliminação do ruído, ocorreu um desvio de cor em áreas de baixa saturação com cores mais simples, como a superfície da água e do solo. Outros métodos obtiveram um fundo de imagem de desruído mais borroso, enquanto FCADNet(Fig. 11Os efeitos visuais são mais claros.

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

Além disso, esta seção avalia o desempenho de desruído de diferentes métodos em dados reais de teledetecção de ruído no conjunto de dados AID.Table 5Os indicadores de avaliação obtidos após diferentes métodos de eliminação do ruído são listados. deTable 5É evidente que este método alcançou os melhores resultados de eliminação de ruído e pode remover eficazmente o ruído real. Ao mesmo tempo, para comparar mais intuitivamente os efeitos de eliminação de ruído de diferentes métodos,Fig. 12Os resultados da visualização são listados no conjunto de dados da AID. visível, BM3D（Fig. 12）、 DnCNN（Fig. 12）、 FFDNet（Fig. 12）、 GR2R（Fig. 12DAA-SSID (em inglês)Fig. 12Após a remoção do ruído, as imagens de eliminação de ruído obtidas apresentam diferentes graus de difusão de fundo. O Nr2NFig. 12Ne2Ne (em inglês)Fig. 12As imagens de eliminação de ruído obtidas ainda têm resíduos de ruído evidentes, indicando que ambos não podem remover o ruído real de forma eficaz. Em comparação com esses métodos, a imagem de desruído obtida neste método é a mais clara e não ocorre nenhuma confusão de fundo.

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 Experiência de fusão

Experimentos nesta seção foram avaliados quantitativamente usando o conjunto de dados NWPU-RESISC 45 com σ=25 usando PSNR e SSIM.

3.6.1 Análise de validade de diferentes módulos

Primeiro, a rede de base é construída como linha de base de contraste, composta por quatro camadas de amostragem inferior, 16 camadas de convolução e quatro camadas de amostragem superior. Para verificar a eficácia da operação híbrida dinâmica adaptativa AMO, a operação de conexão de salto tradicional SC foi introduzida como um controle.Table 6Os resultados quantitativos são listados usando combinações entre diferentes módulos. De Base para Base + GFEM e Base para Base + GFEM + SimAM, o PSNR aumentou 0,21 dB e 0,68 dB, respectivamente, enquanto SimAM não aumentou nenhum número de parâmetros. Quando o DEM foi adicionado nesta base, o desempenho de eliminação de ruído foi significativamente melhorado e o PSNR aumentou de 1,2 dB. Observando SC e AMO, é conhecido que o PSNR aumentou de 1,03 dB após a substituição de SC com AMO, mas a quantidade de parâmetros diminuiu de 0,59 M. Isto é porque o AMO melhora a flexibilidade da fusão de características em comparação com a junção estática de SC e pode manter características mais detalhadas.

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
Além disso,Fig. 13Visualize mapas de calor para as características do GFEM e de quatro módulos AEM para mostrar mais intuitivamente sua capacidade de extração de características em múltiplas escalas e capacidade de foco de atenção. deFig. 13A estrutura da borda e os detalhes da textura local dos dois aviões podem ser vistos, sugerindo que o módulo GFEM pode extrair eficazmente a informação da textura subjacente e as características da borda durante a fase inicial. porFig. 13 (e) Como se vê, com a amostragem gradual do AEM, o modelo aumenta gradualmente a capacidade de resposta e foco em áreas semânticas críticas, reduzindo eficazmente o ruído de fundo.
figure
figure
figure
figure
figure
figure

Fig.13 Heatmap of the module's feature visualisation

3.6.2 Análise de eficiência

Esta seção compara diferentes métodos de operações de ponto flutuante FLOPs e parâmetros quantitativos Params, todos os modelos são calculados usando thop, e os resultados são:Table 7mostrado. Como Nr2N, Ne2Ne e GR2R usam DnCNN como rede principal de desruído, seus FLOPs e Params são os mesmos que DnCNN. Em termos de FLOPs, o SA-SSID é o melhor, mas os FLOPs do FCADNet são menores em comparação com o método de eliminação de ruído baseado em DnCNN. No que diz respeito aos Params, o método de eliminação de ruído baseado em DnCNN é o melhor, mas o FCADNet obtém uma quantidade menor de parâmetros em comparação com os mais recentes métodos de auto-supervisão. Em conjunto, a FCADNet conseguiu um bom equilíbrio entre os dois.

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 Análise da eficácia da função de perda

Este grupo de experimentos foi realizado no FCADNet, combinando a perda L1, a perda variada total LTV e a perda percebida de contraste LCP proposta para analisar o efeito de desruído, com indicadores quantitativos como:Table 8mostrado. deTable 8O desempenho de eliminação de ruído usando apenas L1 é melhor do que o desempenho de eliminação de ruído usando apenas LTV. No entanto, de L1 a L1+LTV e LTV a L1+LTV, o PSNR aumentou 1,28 dB e 1,57 dB, respectivamente, indicando que a combinação de L1 e LTV teria melhores resultados. Como L1 só considera as diferenças no nível de pixel, ignora a estrutura e a textura da imagem. Enquanto LTV reduz o ruído minimizando a soma dos gradientes das imagens de desruído, o uso sozinho tende a resultar em uma imagem excessivamente suave. Mas a combinação dos dois obtém melhores resultados de eliminação de ruído. Além disso, de L1+LTV a L1+LTV+LCP, o PSNR aumentou 1,2 dB, verificando a eficácia de LCP.

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 Conclusões

As imagens de teledetecção óptica contêm características de textura mais ricas e os métodos de eliminação de ruído existentes são propensos a gerar perda de detalhes e difusão de fundo ao remover o ruído. Além disso, o custo de aprendizagem supervisionada é elevado para imagens de teleobservação óptica. Para responder a esses desafios, este artigo propõe um algoritmo de desruído de imagens de detecção remota auto-supervisionado baseado em aprimoramento de características e aprendizagem de contraste, composto por ramos de desruído e ramos de contraste. No ramo de desruído, este artigo projetou uma rede de desruído de codificador de convolutão aprimorada de características FCADNet, primeiro usando o módulo de extração de características globais GFEM para obter características de contorno superficial em diferentes escalas. Em seguida, a SimAM é combinada na fase do codificador para focar os detalhes locais da imagem. Em seguida, o módulo de melhoria de características dinâmicas DEM combina mais informações estruturais espaciais. Finalmente, a introdução de operações híbridas dinâmicas adaptativas AMO mantém adaptativamente características superficiais e profundas. Além disso, o ramo de contraste aproveita as informações transportadas pelas imagens de ruído para calcular a perda de percepção de contraste no espaço característico, construindo pares de amostras positivas e negativas adequados. Ao mesmo tempo, a perda variada total e a perda de reconstrução são usadas para melhorar ainda mais a capacidade da rede de remover ruído. Em comparação com outros métodos de eliminação de ruído, os métodos apresentados neste artigo obtiveram melhores resultados de eliminação de ruído em diferentes tipos de ruído nos conjuntos de dados NWPU-RESISC 45 e UC Merced Land Use. Além disso, em imagens de teledetecção de ruído real dos dados do satélite Jilin I e do conjunto de dados da AID, o método apresentado neste artigo também alcançou resultados satisfatórios de eliminação de ruído, verificando ainda mais a eficácia deste método.

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

Leia o texto completo

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