論文の概要: Hyperspectral Super-Resolution via Coupled Tensor Ring Factorization

• arxiv url: http://arxiv.org/abs/2001.01547v1
• Date: Mon, 6 Jan 2020 13:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:55:18.263542
• Title: Hyperspectral Super-Resolution via Coupled Tensor Ring Factorization
• Title（参考訳）: 結合テンソル環分解による超スペクトル超解像
• Authors: Wei He, Yong Chen, Naoto Yokoya, Chao Li, Qibin Zhao
• Abstract要約: ハイパースペクトル超解像(HSR)は低分解能ハイパースペクトル像(HSI)と高分解能マルチスペクトル像(MSI)を融合して高分解能HSI(HR-HSI)を得る 本稿では,HSRのための新しいモデルである結合テンソルリング分解(CTRF)を提案する。 提案手法は,高分解能コアテンソルと高分解能コアテンソルをMSIから同時に学習し,HR-HSIをテンソルリング(TR)表現で再構成する。
• 参考スコア（独自算出の注目度）: 40.146997900687374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral super-resolution (HSR) fuses a low-resolution hyperspectral image (HSI) and a high-resolution multispectral image (MSI) to obtain a high-resolution HSI (HR-HSI). In this paper, we propose a new model, named coupled tensor ring factorization (CTRF), for HSR. The proposed CTRF approach simultaneously learns high spectral resolution core tensor from the HSI and high spatial resolution core tensors from the MSI, and reconstructs the HR-HSI via tensor ring (TR) representation (Figure~\ref{fig:framework}). The CTRF model can separately exploit the low-rank property of each class (Section \ref{sec:analysis}), which has been never explored in the previous coupled tensor model. Meanwhile, it inherits the simple representation of coupled matrix/CP factorization and flexible low-rank exploration of coupled Tucker factorization. Guided by Theorem~\ref{th:1}, we further propose a spectral nuclear norm regularization to explore the global spectral low-rank property. The experiments have demonstrated the advantage of the proposed nuclear norm regularized CTRF (NCTRF) as compared to previous matrix/tensor and deep learning methods.
• Abstract（参考訳）: ハイパースペクトル超解像(HSR)は、低分解能ハイパースペクトル像(HSI)と高分解能マルチスペクトル像(MSI)を融合して高分解能HSI(HR-HSI)を得る。 本稿では,HSRのための新しいモデルである結合テンソルリング分解(CTRF)を提案する。 提案手法はHSIと高空間分解能コアテンソルから同時に高スペクトル分解能コアテンソルを学習し、HR-HSIをテンソルリング(TR)表現で再構成する(Figure~\ref{fig:framework})。 CTRFモデルは各クラスの低ランク性(Section \ref{sec:analysis})を別々に利用することができる。 一方、結合行列/CP因子化の単純な表現と結合タッカー因子化の柔軟な低ランク探索を継承する。 Theorem~\ref{th:1}によって導かれ、我々はさらに、グローバルスペクトルの低ランク特性を探索するスペクトル核ノルム正規化を提案する。 この実験は,従来のマトリックス/テンソルおよび深層学習法と比較して,提案した核ノルム正規化CTRF(NCTRF)の利点を実証した。

関連論文リスト

• Hyperspectral and multispectral image fusion with arbitrary resolution through self-supervised representations [23.04458119996]
  本稿では,2つのニューラル表現を行列因子化に組み込むことにより,新しい連続低ランク因子化(CLoRF)を提案する。 提案手法は,行列分解による低ランク化と神経表現による連続性の両方を自己教師的手法で利用することができる。
  論文  参考訳（メタデータ） (2024-05-28T04:29:23Z)
• Hyperspectral Image Fusion via Logarithmic Low-rank Tensor Ring Decomposition [26.76968345244154]
  TR因子の低ランク性をTNNの観点から検討し,各TR因子のモード2対数TNN(LTNN)を考慮する。 このLTNN正則化と重み付き全変動を取り入れた新しい融合モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-16T04:02:34Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• A Latent Encoder Coupled Generative Adversarial Network (LE-GAN) for Efficient Hyperspectral Image Super-resolution [3.1023808510465627]
  GAN(Generative Adversarial Network)は画像超解像のための効果的なディープラーニングフレームワークであることが証明されている。 モード崩壊の問題を緩和するため,本研究では,潜在エンコーダ(LE-GAN)と組み合わせた新しいGANモデルを提案する。 LE-GANは、生成したスペクトル空間の特徴を画像空間から潜在空間にマッピングし、生成したサンプルを正規化するための結合成分を生成する。
  論文  参考訳（メタデータ） (2021-11-16T18:40:19Z)
• Hyperspectral Mixed Noise Removal via Subspace Representation and Weighted Low-rank Tensor Regularization [10.131033322742363]
  我々は,超スペクトル画像の混合雑音を取り除くために,部分空間表現と重み付き低ランクテンソル正規化(SWLRTR)をモデルに採用する。 実験により、SWLRTR法は、他の高スペクトル分解法よりも定量的かつ視覚的に優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-11-13T05:30:56Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Hyperspectral Image Denoising with Partially Orthogonal Matrix Vector Tensor Factorization [42.56231647066719]
  ハイパースペクトル画像(HSI)は、スペクトルの余分な情報により、様々な用途の自然画像に対していくつかの利点がある。 買収の間、しばしばガウシアンノイズ、インパルスノイズ、期限、ストライプなどの厳しい騒音によって汚染される。 本研究では,スムーズかつロバストな低ランクテンソルリカバリというHSI復元手法を提案する。
  論文  参考訳（メタデータ） (2020-06-29T02:10:07Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)
• Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
  本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。 MVSCに適合する新しい構造テンソル低ランクノルムを設計する。 提案手法は最先端の手法よりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T11:52:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。