近日，電子科技大學(xué)數(shù)學(xué)科學(xué)學(xué)院2018級(jí)本科生苗雨春在遙感領(lǐng)域國際權(quán)威期刊IEEE Transactionson Geoscience and Remote Sensing（IEEE TGRS, SCI一區(qū), 影響因子5.6）發(fā)表論文“Hyperspectral Denoising Using Unsupervised Disentangled Spatiospectral Deep Priors”，苗雨春為論文第一作者，張量建模與計(jì)算團(tuán)隊(duì)趙熙樂教授和俄勒岡州立大學(xué)傅曉助理教授為通訊作者。

高光譜圖像復(fù)原問題旨在從退化的觀測(cè)圖像反演真實(shí)的高維圖像，是數(shù)學(xué)與信息科學(xué)交叉研究中亟待解決的基礎(chǔ)科學(xué)問題之一。近年來，深度學(xué)習(xí)方法在高光譜圖像復(fù)原問題中取得了可喜的進(jìn)展。然而，如何挖掘高光譜圖像的內(nèi)在結(jié)構(gòu)設(shè)計(jì)適用于大規(guī)模高光譜圖像復(fù)原問題的深度學(xué)習(xí)方法仍然是高光譜圖像處理領(lǐng)域的主要挑戰(zhàn)之一。

圖1：高光譜圖像的線性混合模型

針對(duì)上述挑戰(zhàn)，該論文提出了基于解耦空間-光譜深度先驗(yàn)的自監(jiān)督高光譜圖像方法（DS2DP）。DS2DP方法的核心思想是，基于基本的高光譜圖像線性混合模型（Linear Mixture Model，如圖1所示），高光譜圖像矩陣可以解耦分解為豐度矩陣和光譜矩陣，進(jìn)一步通過自監(jiān)督的方式分別用U-Net網(wǎng)絡(luò)和全連接網(wǎng)絡(luò)精準(zhǔn)地刻畫豐度矩陣的空間深度先驗(yàn)和光譜矩陣的光譜深度先驗(yàn)。DS2DP方法不僅展現(xiàn)了優(yōu)越復(fù)原性能而且具有輕量化、泛化性良好等優(yōu)點(diǎn)。在仿真和真實(shí)數(shù)據(jù)上的廣泛實(shí)驗(yàn)表明DS2DP方法在視覺質(zhì)量和定量評(píng)價(jià)指標(biāo)等方面均優(yōu)于當(dāng)前最先進(jìn)方法，部分結(jié)果如圖2所示。匿名審稿人高度評(píng)價(jià)研究工作為“The idea of incorporating DIP with LMM is an innovation work”。

圖2：不同方法在混合噪聲下的復(fù)原結(jié)果

此外，數(shù)學(xué)科學(xué)學(xué)院2018級(jí)本科生羅倚斯在遙感領(lǐng)域SCI期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing（JSTARS, SCI二區(qū), 影響因子 3.8）發(fā)表論文“Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Unsupervised Deep Image Prior”。羅倚斯為論文第一作者，趙熙樂教授為通訊作者。該論文提出了基于空間-光譜正則約束的自監(jiān)督高光譜圖像復(fù)原方法（S2DIP）并設(shè)計(jì)了求解模型的交替方向乘子法。S2DIP方法提高了自監(jiān)督高光譜圖像復(fù)原方法的性能并解決了自監(jiān)督高光譜圖像復(fù)原方法的半收斂性問題。在仿真和真實(shí)數(shù)據(jù)上的廣泛實(shí)驗(yàn)表明S2DIP方法在視覺質(zhì)量和定量評(píng)價(jià)指標(biāo)等方面均優(yōu)于當(dāng)前最先進(jìn)方法，部分結(jié)果如圖3所示。匿名審稿人評(píng)價(jià)研究工作為 “an interesting denoising framework”。

圖3：不同方法在混合噪聲下的復(fù)原結(jié)果

苗雨春同學(xué)和羅倚斯同學(xué)于2019年加入黃廷祝教授帶領(lǐng)的張量建模與計(jì)算團(tuán)隊(duì)，在趙熙樂教授指導(dǎo)下進(jìn)行基于數(shù)學(xué)方法和深度學(xué)習(xí)方法的高維圖像復(fù)原問題研究。該團(tuán)隊(duì)近年來在高水平學(xué)術(shù)期刊和會(huì)議上發(fā)表文章，如計(jì)算與應(yīng)用數(shù)學(xué)權(quán)威期刊SIAM J. Sci. Comput.、SIAM J. Imaging Sci.、J. Sci. Comput.，圖像處理權(quán)威期刊IEEE Trans. Image Process.、IEEE Trans. Cybernetics、IEEE Trans. Geosci. Remote Sens.、IEEE Trans. Neural Net. Learn. Syst.以及頂級(jí)會(huì)議CVPR和AAAI。團(tuán)隊(duì)科研育人氛圍濃厚，近年來趙熙樂老師已指導(dǎo)多名不同學(xué)院的本科生發(fā)表高水平學(xué)術(shù)期刊和會(huì)議文章，并獲四川省第十五屆挑戰(zhàn)杯二等獎(jiǎng)。