論文の概要: Pixel Adaptive Deep Unfolding Transformer for Hyperspectral Image
Reconstruction
- arxiv url: http://arxiv.org/abs/2308.10820v2
- Date: Fri, 22 Sep 2023 13:20:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 18:02:33.195477
- Title: Pixel Adaptive Deep Unfolding Transformer for Hyperspectral Image
Reconstruction
- Title(参考訳): ハイパースペクトル画像再構成のためのPixel Adaptive Deep Unfolding Transformer
- Authors: Miaoyu Li, Ying Fu, Ji Liu, Yulun Zhang
- Abstract要約: 我々は,HSI再構成のためのPixel Adaptive Deep Unfolding Transformer (PADUT)を提案する。
データモジュールでは、画素レベルの劣化に焦点を合わせるために、画素適応降下ステップが使用される。
先行モジュールでは、非局所スペクトル変換器(NST)を導入し、回復のためのHSIの3次元特性を強調する。
- 参考スコア(独自算出の注目度): 58.32266851510948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral Image (HSI) reconstruction has made gratifying progress with
the deep unfolding framework by formulating the problem into a data module and
a prior module. Nevertheless, existing methods still face the problem of
insufficient matching with HSI data. The issues lie in three aspects: 1) fixed
gradient descent step in the data module while the degradation of HSI is
agnostic in the pixel-level. 2) inadequate prior module for 3D HSI cube. 3)
stage interaction ignoring the differences in features at different stages. To
address these issues, in this work, we propose a Pixel Adaptive Deep Unfolding
Transformer (PADUT) for HSI reconstruction. In the data module, a pixel
adaptive descent step is employed to focus on pixel-level agnostic degradation.
In the prior module, we introduce the Non-local Spectral Transformer (NST) to
emphasize the 3D characteristics of HSI for recovering. Moreover, inspired by
the diverse expression of features in different stages and depths, the stage
interaction is improved by the Fast Fourier Transform (FFT). Experimental
results on both simulated and real scenes exhibit the superior performance of
our method compared to state-of-the-art HSI reconstruction methods. The code is
released at: https://github.com/MyuLi/PADUT.
- Abstract(参考訳): ハイパースペクトル画像(HSI)の再構成は、問題をデータモジュールと事前モジュールに定式化することで、深い展開フレームワークで満足度を高めた。
それでも既存の手法は、HSIデータとのマッチングが不十分な問題に直面している。
問題は3つの側面にある。
1)データモジュールにおける一定の勾配降下ステップは,hsiの劣化は画素レベルでは不可知である。
2) 3次元hsi立方体に対する不適切な事前モジュール。
3)異なるステージにおける特徴の違いを無視したステージインタラクション。
これらの課題に対処するため,本研究では,HSI再構成のためのPixel Adaptive Deep Unfolding Transformer (PADUT)を提案する。
データモジュールでは、画素レベル非依存な分解にフォーカスするために画素適応降下ステップが用いられる。
先行モジュールでは、非局所スペクトル変換器(NST)を導入し、回復のためのHSIの3次元特性を強調する。
さらに、異なるステージと深さの特徴の多様な表現にインスパイアされ、Fast Fourier Transform (FFT) によってステージ相互作用が改善される。
シミュレーションおよび実シーンにおける実験結果は,現状のHSI再構成法と比較して,本手法の優れた性能を示す。
コードはhttps://github.com/MyuLi/PADUT.comで公開されている。
関連論文リスト
- Look-Around Before You Leap: High-Frequency Injected Transformer for Image Restoration [46.96362010335177]
本稿では,画像復元のための簡易かつ効果的な高周波インジェクト変換器HITを提案する。
具体的には,機能マップに高頻度の詳細を組み込んだウィンドウワイドインジェクションモジュール(WIM)を設計し,高品質な画像の復元のための信頼性の高い参照を提供する。
さらに,BIMにおけるチャネル次元の計算によって失われる可能性のある空間的関係を維持するために,空間拡張ユニット(SEU)を導入する。
論文 参考訳(メタデータ) (2024-03-30T08:05:00Z) - SD-MVS: Segmentation-Driven Deformation Multi-View Stereo with Spherical
Refinement and EM optimization [6.886220026399106]
テクスチャレス領域の3次元再構成における課題を解決するために,多視点ステレオ (SD-MVS) を導入する。
私たちは、シーン内のセグメンテーションインスタンスを区別するためにSAM(Segment Anything Model)を採用した最初の人です。
球面座標と正規点の勾配勾配と深度の画素方向探索間隔を組み合わせた独自の精細化戦略を提案する。
論文 参考訳(メタデータ) (2024-01-12T05:25:57Z) - Tuning-free Plug-and-Play Hyperspectral Image Deconvolution with Deep
Priors [6.0622962428871885]
HSIデコンボリューションのためのチューニング不要なPlug-and-Playアルゴリズムを提案する。
具体的には、交互方向乗算器(ADMM)を用いて問題を2つの反復的部分確率に分解する。
フレキシブルブラインド3Dデノナイジングネットワーク(B3DDN)は、より深い事前学習と、異なるノイズレベルを持つデノナイジングサブプロブレムの解決を目的として設計されている。
論文 参考訳(メタデータ) (2022-11-28T13:41:14Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳(メタデータ) (2022-05-20T11:37:44Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T17:59:57Z) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳(メタデータ) (2022-03-09T16:17:47Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳(メタデータ) (2021-11-27T15:38:57Z) - Hyperspectral Pansharpening Based on Improved Deep Image Prior and
Residual Reconstruction [64.10636296274168]
高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化
近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。
深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
論文 参考訳(メタデータ) (2021-07-06T14:11:03Z)
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。