[论文解读] Hybrid Spatio-Spectral Total Variation: A Regularization Technique for Hyperspectral Image Denoising and Compressed Sensing

Saori Takeyama, Shunsuke Ono+1 more|arXiv (Cornell University)|Jul 31, 2019

Sparse and Compressive Sensing Techniques参考文献 37被引用 3

一句话总结

该论文提出了一种新型正则化技术——混合时空总变差（HSSTV），用于高光谱图像去噪与压缩感知，通过平衡权重联合建模空间与光谱局部差异。通过将问题表述为使用ADMM求解的凸优化问题，HSSTV在计算成本更低的前提下，相比现有基于TV的方法实现了更优的恢复性能。

ABSTRACT

We propose a new regularization technique, named Hybrid Spatio-Spectral Total Variation (HSSTV), for hyperspectral (HS) image denoising and compressed sensing. Regularization techniques based on total variation (TV) focus on local differences of an HS image to model its underlying smoothness and have been recognized as a popular approach to HS image restoration. However, existing TVs do not fully exploit underlying spectral correlation in their designs and/or require a high computational cost in optimization. Our HSSTV is designed to simultaneously evaluates two types of local differences: direct local spatial differences and local spatio-spectral differences in a unified manner with a balancing weight. This design resolves the said drawbacks of existing TVs. Then, we formulate HS image restoration as a constrained convex optimization problem involving HSSTV and develop an efficient algorithm based on the alternating direction method of multipliers (ADMM) for solving it. In the experiments, we illustrate the advantages of HSSTV over several state-of-the-art methods.

研究动机与目标

• 为解决现有总变差（TV）方法在高光谱图像恢复中难以有效利用光谱相关性或计算成本过高的局限性。
• 开发一种统一的正则化框架，同时捕捉高光谱图像中的局部空间与时空差异。
• 通过以平衡且合乎原理的方式整合空间与光谱平滑性，降低计算复杂度，同时提升恢复质量。
• 将高光谱图像恢复问题表述为带HSSTV作为正则化项的约束凸优化问题。
• 设计一种基于ADMM的高效算法，以实现实际可扩展性的优化求解。

提出的方法

• HSSTV通过平衡权重参数，将直接的局部空间差异与局部时空差异整合为单一正则化项。
• 该方法通过在统一框架中评估空间与光谱变化，对高光谱图像的潜在平滑性进行建模。
• 优化问题被表述为带HSSTV作为正则化项且数据保真度匹配观测测量值的约束凸规划问题。
• 开发了一种交替方向乘子法（ADMM）算法，以高效求解优化问题，实现可扩展且稳定的收敛。
• 该算法交替更新图像估计、对偶变量与辅助变量，确保鲁棒性与计算效率。

实验结果

研究问题

• RQ1 与现有方法相比，如何更有效地在基于总变差的正则化中利用高光谱图像中的光谱相关性？
• RQ2 是否能够通过结合空间与光谱差异的统一正则化框架，提升高光谱图像去噪与压缩感知中的恢复性能？
• RQ3 在算法中平衡空间与时空差异对计算效率与收敛速度有何影响？
• RQ4 在定量图像质量指标方面，所提出的HSSTV方法与最先进的基于TV的方法相比表现如何？
• RQ5 基于ADMM的HSSTV求解器是否能在实际高光谱图像恢复任务中同时实现高精度与低计算成本？

主要发现

• HSSTV在去噪与压缩感知任务中，相比多种最先进的基于TV的方法，均实现了更优的高光谱图像恢复性能。
• 该方法通过建模联合空间-光谱变化，有效利用了光谱相关性，从而提升了结构与光谱保真度。
• 基于ADMM的优化算法表现出快速收敛与低计算开销，适用于大规模高光谱数据处理。
• 定量结果表明，HSSTV在峰值信噪比（PSNR）与光谱角映射器（SAM）指标上均优于现有TV方法。
• HSSTV中的平衡权重可实现空间与光谱正则化之间的灵活权衡，增强了对不同图像特性的适应能力。