論文の概要: Unsupervised Spatial-spectral Network Learning for Hyperspectral
Compressive Snapshot Reconstruction
- arxiv url: http://arxiv.org/abs/2012.12086v1
- Date: Fri, 18 Dec 2020 12:29:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 18:01:48.629541
- Title: Unsupervised Spatial-spectral Network Learning for Hyperspectral
Compressive Snapshot Reconstruction
- Title(参考訳): ハイパースペクトル圧縮スナップショット再構成のための教師なし空間スペクトルネットワーク学習
- Authors: Yubao Sun, Ying Yang, Qingshan Liu, Mohan Kankanhalli
- Abstract要約: 圧縮スナップショット測定からのみハイパースペクトル画像を再構成する非監視空間スペクトルネットワークを提案する。
我々のネットワークは最先端の手法よりも優れた再構築結果を得ることができる。
- 参考スコア(独自算出の注目度): 16.530040002441694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral compressive imaging takes advantage of compressive sensing
theory to achieve coded aperture snapshot measurement without temporal
scanning, and the entire three-dimensional spatial-spectral data is captured by
a two-dimensional projection during a single integration period. Its core issue
is how to reconstruct the underlying hyperspectral image using compressive
sensing reconstruction algorithms. Due to the diversity in the spectral
response characteristics and wavelength range of different spectral imaging
devices, previous works are often inadequate to capture complex spectral
variations or lack the adaptive capacity to new hyperspectral imagers. In order
to address these issues, we propose an unsupervised spatial-spectral network to
reconstruct hyperspectral images only from the compressive snapshot
measurement. The proposed network acts as a conditional generative model
conditioned on the snapshot measurement, and it exploits the spatial-spectral
attention module to capture the joint spatial-spectral correlation of
hyperspectral images. The network parameters are optimized to make sure that
the network output can closely match the given snapshot measurement according
to the imaging model, thus the proposed network can adapt to different imaging
settings, which can inherently enhance the applicability of the network.
Extensive experiments upon multiple datasets demonstrate that our network can
achieve better reconstruction results than the state-of-the-art methods.
- Abstract(参考訳): ハイパースペクトル圧縮イメージングは、圧縮センシング理論を利用して、時間的走査を行わずに符号化された開口スナップショット測定を行い、3次元空間スペクトルデータ全体を1回の積分期間中に2次元投影によってキャプチャする。
その核となる問題は、圧縮センシング再構成アルゴリズムを用いて基礎となるハイパースペクトル画像を再構築する方法である。
異なるスペクトルイメージング装置のスペクトル応答特性と波長範囲の多様性のため、以前の研究は複雑なスペクトルのばらつきを捉えたり、新しいハイパースペクトル画像装置に適応する能力に欠けることが多い。
これらの問題に対処するために,圧縮スナップショット計測からのみハイパースペクトル像を再構成する空間スペクトルネットワークを提案する。
提案するネットワークは,スナップショット計測に基づく条件付き生成モデルとして機能し,空間スペクトルアテンションモジュールを用いてハイパースペクトル画像の共役空間スペクトル相関を捉える。
ネットワークパラメータは、ネットワーク出力が画像モデルに従って所定のスナップショット測定と密に一致するように最適化されるため、提案するネットワークは異なる撮像設定に適応でき、ネットワークの適用性が本質的に向上する。
複数のデータセットに対する大規模な実験により、我々のネットワークは最先端の手法よりもより良い再構築結果が得られることを示した。
関連論文リスト
- Deep Posterior Distribution-based Embedding for Hyperspectral Image
Super-resolution [75.24345439401166]
本稿では,高スペクトル画像の高次元空間スペクトル情報を効率的に効率的に埋め込む方法について述べる。
我々は,HS埋め込みを,慎重に定義されたHS埋め込みイベントの集合の後方分布の近似として定式化する。
そして,提案手法を物理的に解釈可能なソース一貫性超解像フレームワークに組み込む。
3つの一般的なベンチマークデータセットに対する実験により、PDE-Netは最先端の手法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2022-05-30T06:59:01Z) - Deep Coding Patterns Design for Compressive Near-Infrared Spectral
Classification [80.93625278357229]
スペクトル分類は、測定に埋め込まれたスペクトル情報の量を考慮して、圧縮領域で直接行うことができる。
本研究では,CSIにおける符号化パターンとネットワークパラメータを協調的に設計し,組込み近赤外圧縮測定から直接スペクトル分類を行うエンド・ツー・エンド手法を提案する。
論文 参考訳(メタデータ) (2022-05-27T15:55:53Z) - D$^\text{2}$UF: Deep Coded Aperture Design and Unrolling Algorithm for
Compressive Spectral Image Fusion [22.0246327137227]
本稿では,低空間分解能符号化開口スペクトル撮像器 (CASSI) アーキテクチャと高空間分解能マルチスペクトルカラーフィルタアレイ (MCFA) システムの圧縮測定の融合について述べる。
本稿では,従来のCSIFと異なり,エンド・ツー・エンド(E2E)方式でセンサアーキテクチャと再構成ネットワークを協調的に最適化する手法を提案する。
論文 参考訳(メタデータ) (2022-05-24T15:39:34Z) - Implicit Neural Representation Learning for Hyperspectral Image
Super-Resolution [0.0]
Inlicit Neural Representations (INR)は、新しい効果的な表現として進歩を遂げている。
本稿では、空間座標を対応するスペクトル放射率値にマッピングする連続関数により、HSIを表すINRに基づく新しいHSI再構成モデルを提案する。
論文 参考訳(メタデータ) (2021-12-20T14:07:54Z) - HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling
Deep Network for Snapshot Compressive Imaging [41.91463343106411]
ハイパースペクトルイメージングは、特にリモートセンシング、農業、医学において、幅広い用途に欠かせない画像モダリティである。
低予算のスナップショット測定からハイパスペクトル画像(HSI)を再構築する、遅い、高価、またはかさばる既存のハイパースペクトルカメラにインスパイアされたことが注目されている。
スペクトルスナップショットセンシング(SCI)のための最近のディープ・アンフォールディング・ネットワーク(DUN)は、目覚ましい成功を収めている。
本稿では、ISTAアンフォールディングフレームワークの下で複数のフェーズを含むHerosNetと呼ばれる、SCIのためのハイパースペクトル拡張型再構成と最適サンプリングディープネットワークを提案する。
論文 参考訳(メタデータ) (2021-12-12T13:42:49Z) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳(メタデータ) (2021-10-27T07:18:32Z) - Deep Learning Approach for Hyperspectral Image Demosaicking, Spectral
Correction and High-resolution RGB Reconstruction [3.0478210530038443]
教師付き学習手法を用いたハイパースペクトル画像のスナップショット化のための深層学習に基づく画像復号アルゴリズムを提案する。
医用画像が公開されていないため,既存の医用画像データセットからのスナップショット画像をシミュレートする合成画像生成手法が提案されている。
得られたデシック画像は定量的かつ質的に評価され、画像品質の明確な改善が示される。
論文 参考訳(メタデータ) (2021-09-03T09:50:03Z) - Spectral Splitting and Aggregation Network for Hyperspectral Face
Super-Resolution [82.59267937569213]
高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。
本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。
限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
論文 参考訳(メタデータ) (2021-08-31T02:13:00Z) - The Application of Convolutional Neural Networks for Tomographic
Reconstruction of Hyperspectral Images [0.0]
畳み込みニューラルネットワーク(CNN)を用いた新しい手法を提案し,CTIS(Computed Imaging Spectrometer)画像から超スペクトル立方体を再構成する。
CNNは標準的な予測アルゴリズムよりも精度が高く、復元時間が短い。
論文 参考訳(メタデータ) (2021-08-30T18:11:08Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳(メタデータ) (2021-08-19T11:02:25Z) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳(メタデータ) (2021-08-12T08:46:35Z)
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。