高光谱图像去噪：准递归神经网络与3D卷积、谱全局相关性

本文主要探讨了一种用于高光谱图像去噪的创新神经网络架构，该方法结合了深度学习技术与对高光谱图像特性（空间谱相关性和沿光谱全局相关性）的理解。该研究的核心思路包括以下几个关键组成部分： 1. **去噪策略**：利用领域知识，模型关注高光谱图像的两个关键特性——空间谱相关性和沿光谱全局相关性。通过3D卷积操作捕捉空间内的局部和频域的相互依赖，而准递归池函数则用于处理跨光谱的全局关系，有助于减少噪声。 2. **网络结构**：设计了一个包含12个模块（片）的网络，每个模块包含一个3D空洞卷积层，结合普通卷积和可分离卷积（SeparableConvolution）来减少参数数量。可分离卷积将深度卷积（Depthwise Convolution）与点卷积（Pointwise Convolution）分开，参数效率显著提高。相比于常规卷积，SeparableConvolution在参数数量相同的情况下，可以构建更深的网络，有助于提高模型的表达能力。 3. **网络优化**：文章引用了VGG网络的经验，指出浅层网络在某些情况下可能具有更好的训练效果。为了利用这一现象，模型采用了残差结构（Residual Networks, ResNets），通过直接映射（Identity Mapping）在不同层级间传递低层次的特征信息，避免了梯度消失或爆炸问题，并确保了信息在传播过程中的逐步增加。 4. **残差块设计**：残差块是ResNet的核心单元，它们允许信息直接绕过某些层，使得网络能够更容易地学习到有效的特征组合。这种结构设计有助于在网络退化时保持训练性能，同时保持了图像信息的完整传递。 总结来说，这篇论文提出了一种结合3D卷积、准递归池函数和残差结构的新型高光谱图像去噪网络，有效地利用了空间和频域的相关性，以及残差连接来增强模型的去噪能力和参数效率。这种网络设计不仅考虑了图像数据的特性，还借鉴了深度学习网络的最佳实践，旨在提升高光谱图像去噪任务的性能。