論文の概要: SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction
- arxiv url: http://arxiv.org/abs/2305.04054v1
- Date: Sat, 6 May 2023 14:01:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 17:58:53.699142
- Title: SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction
- Title（参考訳）: SST-ReversibleNet:高反射率画像再構成のための可逆優先スペクトル変換器
- Authors: Zeyu Cai, Jian Yu, Ziyu Zhang, Chengqian Jin, Feipeng Da
- Abstract要約: Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 15.233185887461826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral image reconstruction is an important task in snapshot compressed
imaging. This paper aims to propose a new end-to-end framework with iterative
capabilities similar to a deep unfolding network to improve reconstruction
accuracy, independent of optimization conditions, and to reduce the number of
parameters. A novel framework called the reversible-prior-based method is
proposed. Inspired by the reversibility of the optical path, the
reversible-prior-based framework projects the reconstructions back into the
measurement space, and then the residuals between the projected data and the
real measurements are fed into the network for iteration. The reconstruction
subnet in the network then learns the mapping of the residuals to the true
values to improve reconstruction accuracy. In addition, a novel
spectral-spatial transformer is proposed to account for the global correlation
of spectral data in both spatial and spectral dimensions while balancing
network depth and computational complexity, in response to the shortcomings of
existing transformer-based denoising modules that ignore spatial texture
features or learn local spatial features at the expense of global spatial
features. Extensive experiments show that our SST-ReversibleNet significantly
outperforms state-of-the-art methods on simulated and real HSI datasets, while
requiring lower computational and storage costs.
https://github.com/caizeyu1992/SST
- Abstract（参考訳）: スペクトル画像再構成は、スナップショット圧縮イメージングにおいて重要な課題である。
本稿では,最適化条件によらず,再構成精度を向上し,パラメータ数を減らすために,ディープ展開ネットワークと類似した反復機能を備えた新しいエンドツーエンドフレームワークを提案する。
reversible-prior-based method と呼ばれる新しいフレームワークを提案する。
光路の可逆性に触発されて、可逆優先型フレームワークは、再構成を測定空間に投影し、投影されたデータと実際の測定の間の残差を反復のためにネットワークに供給する。
ネットワーク内の再構成サブネットは、残余の真の値へのマッピングを学習し、復元精度を向上させる。
さらに, 空間的テクスチャを無視したり, 局所的な空間的特徴を犠牲にして学習したりする既存のトランスフォーマ・デノイジング・モジュールの欠点に対応して, ネットワークの深さと計算複雑性のバランスを保ちつつ, 空間的およびスペクトル的次元におけるスペクトルデータの大域的相関を考慮し, 新たなスペクトル・空間的トランスフォーマを提案する。
我々のSST-ReversibleNetは、シミュレーションされた実HSIデータセットにおける最先端の手法よりも、計算コストとストレージコストの低減を図っている。
https://github.com/caizeyu1992/sst
関連論文リスト
- Empowering Snapshot Compressive Imaging: Spatial-Spectral State Space Model with Across-Scanning and Local Enhancement [51.557804095896174]
AsLE-SSMという,グローバルな局所的バランスの取れたコンテキストエンコーディングとチャネル間相互作用の促進に空間スペクトルSSMを用いる状態空間モデルを導入する。
実験の結果,ASLE-SSMは既存の最先端手法よりも優れており,推定速度はTransformerベースのMSTより2.4倍速く,パラメータの0.12(M)を節約できることがわかった。
論文 参考訳（メタデータ） (2024-08-01T15:14:10Z) - A Lightweight Recurrent Learning Network for Sustainable Compressed
Sensing [27.964167481909588]
持続可能なCSシステムを実現するために,繰り返し学習に基づく軽量だが効果的な深層ニューラルネットワークを提案する。
提案手法は,既存のCSアルゴリズムよりも再現性が高い。
論文 参考訳（メタデータ） (2023-04-23T14:54:15Z) - 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) - Learning Detail-Structure Alternative Optimization for Blind
Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。
DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。
本手法は既存の手法に対して最先端の手法を実現する。
論文 参考訳（メタデータ） (2022-12-03T14:44:17Z) - Spectral Compressive Imaging Reconstruction Using Convolution and
Contextual Transformer [6.929652454131988]
本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。
提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
論文 参考訳（メタデータ） (2022-01-15T06:30:03Z) - Sparse-View CT Reconstruction using Recurrent Stacked Back Projection [3.91278924473622]
Recurrent Stacked Back Projection (RSBP) と呼ばれる直接再構成手法を導入する。
RSBPは、反復的な畳み込みLSTMネットワークへの入力として、個々のビューの逐次的に取得されたバックプロジェクションを使用する。
本研究では,FBP画像の処理後処理と基本MBIRの処理後処理において,計算コストがMBIRよりも低くなることを実証する。
論文 参考訳（メタデータ） (2021-12-09T15:44:35Z) - 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) - Deep Amended Gradient Descent for Efficient Spectral Reconstruction from
Single RGB Images [42.26124628784883]
本稿では、AGD-Netという、コンパクトで効率的でエンドツーエンドの学習ベースのフレームワークを提案する。
まず、古典的勾配降下アルゴリズムに基づいて問題を明示的に定式化する。
AGD-Netは、平均1.0dB以上のリコンストラクション品質を向上させることができる。
論文 参考訳（メタデータ） (2021-08-12T05:54:09Z) - Light Field Reconstruction Using Convolutional Network on EPI and
Extended Applications [78.63280020581662]
スパースビューからの光場再構成のための新しい畳み込みニューラルネットワーク(CNN)ベースのフレームワークを開発した。
最先端のアルゴリズムと比較して,提案フレームワークの高性能と堅牢性を実証する。
論文 参考訳（メタデータ） (2021-03-24T08:16:32Z) - Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image
Restoration [66.68541690283068]
ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。
提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。
HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
論文 参考訳（メタデータ） (2020-10-24T15:53:56Z) - High-Order Residual Network for Light Field Super-Resolution [39.93400777363467]
可視光カメラは通常、異なる視点から情報を取得するために、SAIの空間分解能を犠牲にする。
そこで本稿では,光場から階層的に幾何学的特徴を学習するための新しい高次残差ネットワークを提案する。
提案手法は,挑戦的領域においても高品質な再構成が可能であり,定量化と視覚的評価の両面から,最先端の単一画像やLF再構成よりも優れる。
論文 参考訳（メタデータ） (2020-03-29T18:06:05Z)
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。