論文の概要: Hyperspectral Image Super-Resolution in Arbitrary Input-Output Band
Settings
- arxiv url: http://arxiv.org/abs/2103.10614v1
- Date: Fri, 19 Mar 2021 03:32:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:26:16.953979
- Title: Hyperspectral Image Super-Resolution in Arbitrary Input-Output Band
Settings
- Title(参考訳): 任意出力帯域設定におけるハイパースペクトル画像超解像
- Authors: Zhongyang Zhang, Zhiyang Xu, Zia Ahmed, Asif Salekin, Tauhidur Rahman
- Abstract要約: スペクトル帯域が狭いハイパースペクトル画像(HSI)は、豊富なスペクトル情報をキャプチャし、多くのコンピュータビジョンタスクに適している。
HSIの基本的な限界の1つは空間分解能の低さであり、この問題に対処するための超解像(SR)に関する最近の研究がいくつか提案されている。
本研究では,任意の数の入力帯域のピーク波長でHSI画像を取り込み,任意の数の出力帯域のピーク波長でスーパーリゾルドHSIを生成することができるメタラーニング型スーパーリゾリューション(MLSR)モデルを提案する。
- 参考スコア(独自算出の注目度): 1.2148588577240576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral images (HSIs) with narrow spectral bands can capture rich
spectral information, making them suitable for many computer vision tasks. One
of the fundamental limitations of HSI is its low spatial resolution, and
several recent works on super-resolution(SR) have been proposed to tackle this
challenge. However, due to HSI cameras' diversity, different cameras capture
images with different spectral response functions and the number of total
channels. The existing HSI datasets are usually small and consequently
insufficient for modeling. We propose a Meta-Learning-Based
Super-Resolution(MLSR) model, which can take in HSI images at an arbitrary
number of input bands' peak wavelengths and generate super-resolved HSIs with
an arbitrary number of output bands' peak wavelengths. We artificially create
sub-datasets by sampling the bands from NTIRE2020 and ICVL datasets to simulate
the cross-dataset settings and perform HSI SR with spectral interpolation and
extrapolation on them. We train a single MLSR model for all sub-datasets and
train dedicated baseline models for each sub-dataset. The results show the
proposed model has the same level or better performance compared to
the-state-of-the-art HSI SR methods.
- Abstract(参考訳): スペクトル帯域が狭いハイパースペクトル画像(HSI)は、豊富なスペクトル情報をキャプチャし、多くのコンピュータビジョンタスクに適している。
HSIの基本的な限界の1つは空間分解能の低さであり、この問題に対処するための超解像(SR)に関する最近の研究がいくつか提案されている。
しかし、hsiカメラの多様性により、異なるカメラは異なるスペクトル応答関数と総チャネル数を持つ画像をキャプチャする。
既存のHSIデータセットは通常小さく、モデリングには不十分である。
入力帯域のピーク波長の任意の数でhsi画像を取り込み、任意の数の出力帯域のピーク波長で超解像したhsiを生成するメタラーニングベースの超解像モデルを提案する。
NTIRE2020 と ICVL データセットからバンドをサンプリングし,データセット間設定をシミュレートし,スペクトル補間と外挿を施した HSI SR を実行する。
すべてのサブデータセットに対して単一のmlsrモデルをトレーニングし、各サブデータセットの専用ベースラインモデルをトレーニングします。
その結果,提案手法は最先端HSI SR法と同等以上の性能を示した。
関連論文リスト
- HSIGene: A Foundation Model For Hyperspectral Image Generation [46.745198868466545]
ハイパースペクトル画像(HSI)は農業や環境モニタリングなど様々な分野で重要な役割を果たしている。
高価な取得コストのため、ハイパースペクトル画像の数は制限され、下流タスクのパフォーマンスが低下する。
遅延拡散に基づく多条件制御をサポートする新しいHSI生成基盤モデルであるHSIGeneを提案する。
実験により,提案モデルでは,デノナイズや超解像といった下流タスクに対して,膨大な量の現実的なHSIを生成することができることが示された。
論文 参考訳(メタデータ) (2024-09-19T05:17:44Z) - Test-time Training for Hyperspectral Image Super-resolution [95.38382633281398]
ハイパースペクトル画像(HSI)超解像(SR)は、まだRGB画像SRの研究に遅れを取っている。
本研究では,この問題に対処するための新しいテストタイムトレーニング手法を提案する。
具体的には、より正確な擬似ラベルとより正確なLR-HR関係を生成する新しい自己学習フレームワークを開発する。
論文 参考訳(メタデータ) (2024-09-13T09:30:19Z) - SSIF: Learning Continuous Image Representation for Spatial-Spectral
Super-Resolution [73.46167948298041]
本稿では,空間領域における連続画素座標とスペクトル領域における連続波長の両方の関数として,画像を表すニューラル暗黙モデルを提案する。
SSIFは空間分解能とスペクトル分解能の両方によく対応していることを示す。
ダウンストリームタスクのパフォーマンスを1.7%-7%向上させる高解像度画像を生成することができる。
論文 参考訳(メタデータ) (2023-09-30T15:23:30Z) - 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) - Unsupervised Hyperspectral and Multispectral Images Fusion Based on the
Cycle Consistency [21.233354336608205]
本稿では,CycFusionと呼ばれるサイクル一貫性に基づく教師なしHSIとMSIの融合モデルを提案する。
CycFusion は低空間分解能 HSI (LrHSI) と高空間分解能 MSI (HrMSI) の領域変換を学習する
いくつかのデータセットで行った実験により,提案手法は非教師なし核融合法よりも優れていたことが判明した。
論文 参考訳(メタデータ) (2023-07-07T06:47:15Z) - HSR-Diff:Hyperspectral Image Super-Resolution via Conditional Diffusion
Models [10.865272587124027]
条件付き拡散モデル(HSR-Diff)を用いたHSI超解像(SR)手法を提案する。
HSR-Diffは、HR-HSIが純粋なガウス雑音で空間的であり、反復的に洗練されるような繰り返し精製によりHR-HSIを生成する。
さらに、フル解像度画像のグローバル情報を活用するために、プログレッシブラーニング戦略が採用されている。
論文 参考訳(メタデータ) (2023-06-21T08:04:30Z) - 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 Image Super-Resolution with Spectral Mixup and
Heterogeneous Datasets [99.92564298432387]
ハイパースペクトル画像(HSI)超解像(SR)の研究
HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。
これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
論文 参考訳(メタデータ) (2021-01-19T12:19:53Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳(メタデータ) (2020-07-10T08:08:20Z) - 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)
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。