論文の概要: HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling
Deep Network for Snapshot Compressive Imaging
- arxiv url: http://arxiv.org/abs/2112.06238v1
- Date: Sun, 12 Dec 2021 13:42:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 18:41:24.426368
- Title: HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling
Deep Network for Snapshot Compressive Imaging
- Title（参考訳）: HerosNet:スナップショット圧縮イメージング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
- Authors: Xuanyu Zhang, Yongbing Zhang, Ruiqin Xiong, Qilin Sun, Jian Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 41.91463343106411
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral imaging is an essential imaging modality for a wide range of
applications, especially in remote sensing, agriculture, and medicine. Inspired
by existing hyperspectral cameras that are either slow, expensive, or bulky,
reconstructing hyperspectral images (HSIs) from a low-budget snapshot
measurement has drawn wide attention. By mapping a truncated numerical
optimization algorithm into a network with a fixed number of phases, recent
deep unfolding networks (DUNs) for spectral snapshot compressive sensing (SCI)
have achieved remarkable success. However, DUNs are far from reaching the scope
of industrial applications limited by the lack of cross-phase feature
interaction and adaptive parameter adjustment. In this paper, we propose a
novel Hyperspectral Explicable Reconstruction and Optimal Sampling deep Network
for SCI, dubbed HerosNet, which includes several phases under the
ISTA-unfolding framework. Each phase can flexibly simulate the sensing matrix
and contextually adjust the step size in the gradient descent step, and
hierarchically fuse and interact the hidden states of previous phases to
effectively recover current HSI frames in the proximal mapping step.
Simultaneously, a hardware-friendly optimal binary mask is learned end-to-end
to further improve the reconstruction performance. Finally, our HerosNet is
validated to outperform the state-of-the-art methods on both simulation and
real datasets by large margins.
- Abstract（参考訳）: 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。
切り離された数値最適化アルゴリズムを一定数の位相を持つネットワークにマッピングすることにより、スペクトルスナップショット圧縮センシング(SCI)のための最近のディープ展開ネットワーク(DUN)は大きな成功を収めた。
しかし、DUNは、異相的特徴相互作用と適応パラメータ調整の欠如により、産業応用の範囲に達するには程遠い。
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。
各位相は、検出行列を柔軟にシミュレートし、勾配降下ステップのステップサイズを文脈的に調整し、前フェーズの隠蔽状態を階層的に融合して、近位写像ステップの現在のHSIフレームを効果的に回収することができる。
同時に、ハードウェアフレンドリーな最適バイナリマスクをエンドツーエンドで学習し、復元性能をさらに向上させる。
最後に、herosnetは、シミュレーションと実際のデータセットの両方において最先端のメソッドよりも大きなマージンで優れています。
関連論文リスト
- Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object
Structure via HyperNetworks [53.67497327319569]
画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。
提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。
本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
論文 参考訳（メタデータ） (2023-12-24T08:42:37Z) - Progressive Content-aware Coded Hyperspectral Compressive Imaging [32.36879952484202]
符号化開口スナップショット分光画像(CASSI)は、ハードウェアフレンドリーな実装と高速な撮像速度により、大きな成功を収めている。
しかし、単一スナップショットと不合理な符号化開口設計は、HSIの回復を悪化させ、空間的およびスペクトル的忠実度が低下する傾向にある。
我々はPCA-CASSIと呼ばれる新しいプログレッシブコンテンツ対応CASSIフレームワークを提案し、複数の最適化コンテンツ対応符号化アパーチャでHSIをキャプチャする。
論文 参考訳（メタデータ） (2023-03-17T04:42:27Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - LR-CSNet: Low-Rank Deep Unfolding Network for Image Compressive Sensing [19.74767410530179]
深部展開型ネットワーク(DUN)は、圧縮センシング(CS)に有効なアプローチであることが証明されている。
本研究では,自然画像CSのための低ランクCSネットワーク(LR-CSNet)を提案する。
広範に検討された3つのデータセットに対する実験は、LR-CSNetの有望な性能を示す。
論文 参考訳（メタデータ） (2022-12-18T13:54:11Z) - ATASI-Net: An Efficient Sparse Reconstruction Network for Tomographic
SAR Imaging with Adaptive Threshold [13.379416816598873]
本稿では,解析的反復収縮しきい値決定アルゴリズム(ALISTA)に基づく,効率的なスパース展開ネットワークを提案する。
ATASI-Netの各層における重み行列は、オフライン最適化問題の解法として事前計算される。
さらに、各方位領域画素に対して適応しきい値を導入し、しきい値収縮を層蒸着だけでなく素子的にも可能とする。
論文 参考訳（メタデータ） (2022-11-30T09:55:45Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - LWGNet: Learned Wirtinger Gradients for Fourier Ptychographic Phase
Retrieval [14.588976801396576]
本稿では,フォワードイメージングシステムの知識と深層データ駆動ネットワークを組み合わせたハイブリッドモデル駆動残差ネットワークを提案する。
従来のアンローリング技術とは異なり、LWGNetは従来のディープ・ラーニング・テクニックよりも少ない段数しか使用していない。
この低ビット深度・低コストセンサの性能向上は、FPM撮像装置のコストを大幅に下げる可能性がある。
論文 参考訳（メタデータ） (2022-08-08T17:22:54Z) - Fast Hierarchical Deep Unfolding Network for Image Compressed Sensing [31.71861820004099]
画像圧縮センシングのための高速階層型深部展開ネットワーク(DUN)を提案する。
提案したFHDUNは、より少ないイテレーションを維持しながら、既存の最先端のCSメソッドより優れている。
論文 参考訳（メタデータ） (2022-08-03T03:27:32Z) - A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。
空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。
SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
論文 参考訳（メタデータ） (2021-08-17T16:20:51Z) - Real Image Super Resolution Via Heterogeneous Model Ensemble using
GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。
提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文 参考訳（メタデータ） (2020-09-02T22:33:23Z)
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。