論文の概要: DiriNet: A network to estimate the spatial and spectral degradation functions

• arxiv url: http://arxiv.org/abs/2201.12346v1
• Date: Thu, 27 Jan 2022 07:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 14:39:02.993858
• Title: DiriNet: A network to estimate the spatial and spectral degradation functions
• Title（参考訳）: dirinet: 空間的およびスペクトル的劣化関数を推定するネットワーク
• Authors: Ting Hu
• Abstract要約: 本稿では,空間応答関数と点拡散関数を融合する画像対から学習するディリクレネットワークを提案する。 具体的には、空間応答関数は正に制約され、ディリクレ分布は全変動とともに点拡散関数に課される。 画像劣化実験と融合実験の両方で提案したディリクレネットワークの有効性と優位性を示す。
• 参考スコア（独自算出の注目度）: 6.274453963224799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The spatial and spectral degradation functions are critical to hyper- and multi-spectral image fusion. However, few work has been payed on the estimation of the degradation functions. To learn the spatial response function and the point spread function from the image pairs to be fused, we propose a Dirichlet network, where both functions are properly constrained. Specifically, the spatial response function is constrained with positivity, while the Dirichlet distribution along with a total variation is imposed on the point spread function. To the best of our knowledge, the neural netwrok and the Dirichlet regularization are exclusively investigated, for the first time, to estimate the degradation functions. Both image degradation and fusion experiments demonstrate the effectiveness and superiority of the proposed Dirichlet network.
• Abstract（参考訳）: 空間分解関数とスペクトル分解関数は、ハイパースペクトルおよびマルチスペクトル画像融合に不可欠である。 しかし, 劣化関数を推定する作業は, ほとんど行われていない。 空間応答関数と点拡散関数を融合する画像対から学習するために,両関数が適切に制約されたディリクレネットワークを提案する。 具体的には、空間応答関数は正値性に拘束され、点拡散関数には総変動を伴うディリクレ分布が課される。 我々の知る限りでは,神経ネットブロークとディリクレの正則化を初めて研究し,劣化関数を推定した。 画像劣化と核融合実験は,提案するdirichletネットワークの有効性と優位性を示す。

関連論文リスト

• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• 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)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature Ensemble for Multi-modality Image Fusion [72.8898811120795]
  我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。 本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-11-20T12:02:07Z)
• On the Activation Function Dependence of the Spectral Bias of Neural Networks [0.0]
  ニューラルネットワークのスペクトルバイアスの観点から,この現象を考察する。 本稿では,ReLUニューラルネットワークのスペクトルバイアスを有限要素法との接続を利用して理論的に説明する。 我々は,Hatアクティベーション機能を持つニューラルネットワークが勾配降下とADAMを用いて大幅に高速にトレーニングされていることを示す。
  論文  参考訳（メタデータ） (2022-08-09T17:40:57Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Reconstructing spectral functions via automatic differentiation [30.015034534260664]
  ユークリッドグリーン関数からスペクトル関数を再構成することは、多体物理学において重要な逆問題である。 本稿では,プロパゲータオブザーバからのスペクトル再構成のための汎用ツールとして,自動微分(AD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-29T18:09:49Z)
• Depth separation beyond radial functions [34.11708874794196]
  特定の関数は2重層ネットワークで効率的に近似できるが、高次元の1重層ネットワークでは効率よく近似できないことを示す。 このような結果の証明における一般的なテーマは、一隠れ層ネットワークがフーリエ表現が領域に広がる高エネルギー関数の近似に失敗するという事実である。
  論文  参考訳（メタデータ） (2021-02-02T17:25:02Z)
• Can Temporal-Difference and Q-Learning Learn Representation? A Mean-Field Theory [110.99247009159726]
  時間差とQ-ラーニングは、ニューラルネットワークのような表現力のある非線形関数近似器によって強化される深層強化学習において重要な役割を担っている。 特に時間差学習は、関数近似器が特徴表現において線形であるときに収束する。
  論文  参考訳（メタデータ） (2020-06-08T17:25:22Z)
• Harmonic Decompositions of Convolutional Networks [16.688727673221297]
  畳み込みネットワークに関連する写像は,球面調和に類似した基本関数を含む和へと拡大することを示す。 この機能的分解は、非パラメトリック統計学における機能的ANOVA分解と関連付けられる。
  論文  参考訳（メタデータ） (2020-03-28T09:41:55Z)

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。