論文の概要: Guided Deep Generative Model-based Spatial Regularization for Multiband Imaging Inverse Problems

• arxiv url: http://arxiv.org/abs/2306.17197v1
• Date: Thu, 29 Jun 2023 03:48:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-03 14:31:45.862820
• Title: Guided Deep Generative Model-based Spatial Regularization for Multiband Imaging Inverse Problems
• Title（参考訳）: マルチバンドイメージング逆問題のための深部生成モデルに基づく空間正規化
• Authors: Min Zhao, Nicolas Dobigeon, Jie Chen
• Abstract要約: 本稿では,高空間分解能の補助的獲得に乗じて,データ駆動型空間正規化を導出するための汎用フレームワークを提案する。 より正確には、この空間解像度の補助画像に含まれる空間意味的特徴を符号化できる深層生成ネットワークとして、正規化が考え出される。
• 参考スコア（独自算出の注目度）: 14.908906329456842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When adopting a model-based formulation, solving inverse problems encountered in multiband imaging requires to define spatial and spectral regularizations. In most of the works of the literature, spectral information is extracted from the observations directly to derive data-driven spectral priors. Conversely, the choice of the spatial regularization often boils down to the use of conventional penalizations (e.g., total variation) promoting expected features of the reconstructed image (e.g., piecewise constant). In this work, we propose a generic framework able to capitalize on an auxiliary acquisition of high spatial resolution to derive tailored data-driven spatial regularizations. This approach leverages on the ability of deep learning to extract high level features. More precisely, the regularization is conceived as a deep generative network able to encode spatial semantic features contained in this auxiliary image of high spatial resolution. To illustrate the versatility of this approach, it is instantiated to conduct two particular tasks, namely multiband image fusion and multiband image inpainting. Experimental results obtained on these two tasks demonstrate the benefit of this class of informed regularizations when compared to more conventional ones.
• Abstract（参考訳）: モデルに基づく定式化を採用する場合、多バンドイメージングで発生する逆問題を解くには、空間的およびスペクトル的正規化を定義する必要がある。 文献のほとんどの作品において、スペクトル情報は直接観測から抽出され、データ駆動スペクトル先行を導出する。 逆に、空間正規化の選択は、しばしば、再構成された画像(例えば、区分定数)の期待される特徴を促進する従来のペナリゼーション(例えば、全変動)の使用によって沸騰する。 本研究では,高空間分解能の補助的獲得を活かし,データ駆動型空間正規化を導出するための汎用フレームワークを提案する。 このアプローチは、高度な特徴を抽出する深層学習の能力を活用する。 より正確には、この空間解像度の補助画像に含まれる空間意味的特徴を符号化できる深層生成ネットワークとして、正規化が考え出される。 このアプローチの汎用性を説明するために、マルチバンド画像融合とマルチバンド画像塗装という2つの特定のタスクをインスタンス化する。 これら2つのタスクで得られた実験結果から,従来のタスクと比較して情報正規化の利点が示された。

関連論文リスト

• A Generalized Tensor Formulation for Hyperspectral Image Super-Resolution Under General Spatial Blurring [9.163087502142107]
  ハイパースペクトル超解像は、高空間分解能のマルチスペクトル像と高空間分解能のハイパースペクトル像を融合させることが一般的である。 このようなテンソルベース手法では、所望の超解像から観察された超スペクトル画像を生成する空間ブルーリング動作が、独立水平および垂直のぼかしに分離可能であると仮定する。 最近の研究は、このような分離可能な空間劣化は、例えば異方性ぼけを示すような実際のセンサーの動作をモデル化するために不必要であると主張している。
  論文  参考訳（メタデータ） (2024-09-27T13:23:17Z)
• SpectralMamba: Efficient Mamba for Hyperspectral Image Classification [39.18999103115206]
  リカレントニューラルネットワークとトランスフォーマーは、ハイパースペクトル(HS)イメージングにおけるほとんどの応用を支配している。 我々は、HS画像分類のための効率的なディープラーニングフレームワークを組み込んだ新しい状態空間モデルであるSpectralMambaを提案する。 SpectralMambaは、パフォーマンスと効率の両面から、驚くほど有望な勝利を生み出している。
  論文  参考訳（メタデータ） (2024-04-12T14:12:03Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Hierarchical Normalization for Robust Monocular Depth Estimation [85.2304122536962]
  本研究では,空間情報と深度に基づいて,階層的に深度表現を正規化する新しいマルチスケール深度正規化手法を提案する。 実験の結果,提案手法は従来の正規化手法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2022-10-18T08:18:29Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Orthonormal Product Quantization Network for Scalable Face Image Retrieval [14.583846619121427]
  本稿では、製品量化と正規の制約をエンドツーエンドのディープラーニングフレームワークに統合し、顔画像を取得する。 事前定義された正規直交ベクトルをコードワードとして用いる新しいスキームを提案し,量子化情報性を高め,符号ワードの冗長性を低減した。 4つの顔データセットに対して、目視と目視の両方のID検索設定で実験を行う。
  論文  参考訳（メタデータ） (2021-07-01T09:30:39Z)
• Unsupervised Spatial-spectral Network Learning for Hyperspectral Compressive Snapshot Reconstruction [16.530040002441694]
  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。
  論文  参考訳（メタデータ） (2020-12-18T12:29:04Z)
• Hyperspectral Image Super-resolution via Deep Spatio-spectral Convolutional Neural Networks [32.10057746890683]
  本稿では,高分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させる,深部畳み込みニューラルネットワークの簡易かつ効率的なアーキテクチャを提案する。 提案したネットワークアーキテクチャは,近年の最先端ハイパースペクトル画像の超解像化手法と比較して,最高の性能を達成している。
  論文  参考訳（メタデータ） (2020-05-29T05:56:50Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。