一、论文
《ADRN: ATTENTION-BASED DEEP RESIDUAL NETWORK FOR HYPERSPECTRAL IMAGE DENOISING》
高光谱图像（HSI）降噪对于许多后续应用（例如HSI分类和解释）至关重要。 在本文中，我们提出了一种基于注意力的深度残差网络，以直接学习从嘈杂的HSI到干净的HSI的映射。 为了共同利用空间光谱信息，同时利用当前频带及其K个相邻频带作为输入。 然后，我们采用具有不同滤波器大小的卷积层融合多尺度特征，并使用快捷连接来合并多层次信息，以更好地去除噪声。另外，采用信道关注机制使网络专注于最相关的辅助信息和对降噪过程最有利的特征。 为了简化训练过程，我们通过残差模式而不是简单的预测来重构输出。 实验结果表明，我们提出的ADRN方案在定量和视觉评估方面均优于最新方法。
二、模型结构
一、论文
《Learning Deep CNN Denoiser Prior for Image Restoration》
基于模型的优化方法和判别式学习方法已成为解决低视力中各种逆问题的两种主要策略。 通常，这两种方法都有各自的优缺点，例如，基于模型的优化方法可以灵活地处理不同的逆问题，但出于性能良好的目的，使用复杂的先验算法通常很耗时； 同时，判别式学习方法测试速度较快，但其应用范围受到专门任务的极大限制。 最近的工作表明，借助于可变分割技术，可以将去噪器先验插入为基于模型的优化方法的模块部分，以解决其他逆问题（例如，去模糊）。 当通过判别学习获得降噪器时，这样的集成会带来相当大的优势。 但是，仍然缺乏与快速判别去噪器集成的研究。 为此，本文旨在训练一组快速有效的CNN（卷积神经网络）去噪器，并将其集成到基于模型的优化方法中，以解决其他逆问题。 实验结果表明，学习到的去噪器集不仅可以实现有希望的高斯去噪结果，还可以用作为各种低级视觉应用提供良好性能的先决条件
二、模型结构
这一篇也是DnCNN的作者的文章，普通卷积换为空洞卷积。
三、代码