論文の概要: Understanding Pan-Sharpening via Generalized Inverse

• arxiv url: http://arxiv.org/abs/2310.02718v3
• Date: Wed, 16 Jul 2025 02:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 12:30:11.715165
• Title: Understanding Pan-Sharpening via Generalized Inverse
• Title（参考訳）: 一般化逆数によるパンシャープ化の理解
• Authors: Shiqi Liu, Yihua Tan, Yutong Bai, Alan Yuille,
• Abstract要約: パンシャーピングアルゴリズムは、パンクロマティック画像とマルチスペクトル画像を用いて、高空間および高スペクトル画像を生成する。 パンシャルペン問題を記述するために単純な行列式を用いる。 空間およびスペクトルのダウンサンプル行列の推定を改善するために、ダウンサンプル拡張法を導入する。
• 参考スコア（独自算出の注目度）: 12.874746439043442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pan-sharpening algorithms utilize a panchromatic image and a multispectral image to generate a high spatial and high spectral image. However, the optimizations of the algorithms are designed with different standards. We employ a simple matrix equation to describe the Pan-sharpening problem. The conditions for the existence of a solution and the acquisition of spectral and spatial resolution are discussed. A down-sampling enhancement method is introduced to improve the estimation of spatial and spectral down-sample matrices. Using generalized inverse theory, we discovered two kinds of solution spaces of generalized inverse matrix formulations, which correspond to the two prominent classes of Pan-sharpening methods: component substitution and multi-resolution analysis. Specifically, the Gram-Schmidt adaptive method is demonstrated to align with the generalized inverse matrix formulation of component substitution. A model prior of the generalized inverse matrix of the spectral function is rendered. Theoretical errors are analyzed. The diffusion prior is naturally embedded with the help of general solution spaces of the generalized inverse form, enabling the acquisition of refined Pan-sharpening results. Extensive experiments, including comparative, synthetic, real-data ablation and diffusion-related tests are conducted. The proposed methods produce qualitatively sharper and superior results in both synthetic and real experiments. The down-sampling enhancement method demonstrates quantitatively and qualitatively better outcomes in real-data experiments. The diffusion prior can significantly improve the performance of our methods across almost all evaluation measures. The generalized inverse matrix theory helps deepen the understanding of Pan-sharpening mechanisms.
• Abstract（参考訳）: パンシャーピングアルゴリズムは、パンクロマティック画像とマルチスペクトル画像を用いて、高空間および高スペクトル画像を生成する。 しかし、アルゴリズムの最適化は異なる基準で設計されている。 パンシャルペン問題を記述するために単純な行列式を用いる。 溶液の存在条件とスペクトルと空間分解能の獲得について論じる。 空間およびスペクトルのダウンサンプル行列の推定を改善するために、ダウンサンプル拡張法を導入する。 一般化逆理論を用いて一般化逆行列定式化の2種類の解空間を発見した。 具体的には、Gram-Schmidt適応法は、成分置換の一般化された逆行列の定式化と整合することを示した。 スペクトル関数の一般化逆行列の前のモデルを描画する。 理論的誤りが分析される。 拡散前の拡散は、一般化された逆形式(英語版)の一般解空間の助けを借りて自然に埋め込まれ、洗練されたパンシャーピング結果の取得を可能にする。 比較, 合成, 実データアブレーション, 拡散関連試験を含む広範囲な実験を行った。 提案手法は, 合成実験と実実験の両方において, 定性的に鋭く, 優れた結果をもたらす。 ダウンサンプリングエンハンスメント法は実データ実験において定量的かつ質的により良い結果を示す。 拡散先行法は, ほぼすべての評価尺度において, 提案手法の性能を著しく向上させることができる。 一般化された逆行列理論はパンシャーピング機構の理解を深める助けとなる。

関連論文リスト

• Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery [2.8516007089651043]
  ハイパースペクトルアンミキシング(Hyperspectral unmixing)は、材料シグネチャ(エンドメンバーと呼ばれる)と対応する割合(アブリダンスを参照)を推定することを目的としている。 本研究は,高スペクトル画像に対するスペーサシティと全変動(TV)制約付き多層リニアアンミキシング(STVMLU)と呼ばれる新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2025-08-05T12:50:55Z)
• DGSolver: Diffusion Generalist Solver with Universal Posterior Sampling for Image Restoration [49.16449955997501]
  bfDGrは、普遍的な後続サンプリングを持つ拡散解法である。 コードとモデルはhttps://github.com/MiliLab/DGr.comから入手できる。
  論文  参考訳（メタデータ） (2025-04-30T10:12:48Z)
• Improving Diffusion-based Inverse Algorithms under Few-Step Constraint via Learnable Linear Extrapolation [22.6710110305133]
  Learnable Linear Extrapolation (LLE) は、任意の拡散ベースの逆アルゴリズムの性能を普遍的に向上させる軽量なアプローチである。 提案手法を複数のアルゴリズムとタスクで一貫した改良を行った。
  論文  参考訳（メタデータ） (2025-03-13T07:00:27Z)
• Neural Spectral Decomposition for Dataset Distillation [48.59372086450124]
  本稿では,データセット蒸留のための一般的な分解フレームワークであるニューラルスペクトル分解を提案する。 本研究の目的は,データセット全体の低ランク表現を発見し,効率的に蒸留を行うことである。 提案手法はCIFAR10, CIFAR100, Tiny Imagenet, ImageNet Subsetなどのベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-29T03:26:14Z)
• Spectral Estimators for Structured Generalized Linear Models via Approximate Message Passing [28.91482208876914]
  本研究では,高次元一般化線形モデルにおけるパラメータ推定の問題について考察する。 広く使われているにもかかわらず、厳密なパフォーマンス特性とデータ前処理の原則が、構造化されていない設計でのみ利用可能である。
  論文  参考訳（メタデータ） (2023-08-28T11:49:23Z)
• Color Image Recovery Using Generalized Matrix Completion over Higher-Order Finite Dimensional Algebra [10.10849889917933]
  従来の2階行列モデルをより包括的な高階行列同値に拡張し、「t-行列」モデルと呼ぶ。 この "t-matrix" モデルは、一般的に使用される行列およびテンソル完備化アルゴリズムを高階バージョンに拡張するために使用される。
  論文  参考訳（メタデータ） (2023-08-04T15:06:53Z)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• The Inductive Bias of Flatness Regularization for Deep Matrix Factorization [58.851514333119255]
  この研究は、ディープ線形ネットワークにおけるヘッセン解の最小トレースの帰納バイアスを理解するための第一歩となる。 測定値の標準等尺性(RIP)が1より大きいすべての深さについて、ヘッセンのトレースを最小化することは、対応する終端行列パラメータのシャッテン 1-ノルムを最小化するのとほぼ同値であることを示す。
  論文  参考訳（メタデータ） (2023-06-22T23:14:57Z)
• Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
  本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。 微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
  論文  参考訳（メタデータ） (2023-02-24T18:41:48Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• Stochastic Parallelizable Eigengap Dilation for Large Graph Clustering [12.544602297450533]
  私たちは、ほとんどのエッジがクラスタ内に落ち、わずかにエッジがクラスタ間に落ちているノードのクラスタを特定することを目的としています。 スペクトルクラスタリングのコアステップは、対応するグラフラプラシア行列の固有分解を行う。 本稿では,SVDソルバを高速化し,スペクトルクラスタリングを行うために,スペクトルを並列化可能なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-29T10:13:07Z)
• Unfolding by Folding: a resampling approach to the problem of matrix inversion without actually inverting any matrix [1.9641471892864126]
  マトリックス逆転問題は実験物理学、特に高エネルギー粒子物理学でしばしば発生する。 このマニュアルでは、展開する問題に対して別のアプローチを取っています。 私は、ジェネレータ空間に多くの分布をサンプリングし、元の応答行列を通してそれらを折りたたみ、データ分布に最も近い折りたたみ分布を生成するジェネレータレベルの分布を選択します。
  論文  参考訳（メタデータ） (2020-09-07T07:20:45Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Robust Low-rank Matrix Completion via an Alternating Manifold Proximal Gradient Continuation Method [47.80060761046752]
  ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。 この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。 RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。 本稿では、近年のローワークの動機付けについて述べる。
  論文  参考訳（メタデータ） (2020-08-18T04:46:22Z)
• Ordinary Differential Equation and Complex Matrix Exponential for Multi-resolution Image Registration [6.59529078336196]
  本研究では、実行列指数上で複素行列指数(CME)を用いて変換行列を計算することを強調する。 CMEは理論上より適しており、我々の実験が示すように、事実上より高速な収束を提供する。 提案手法は, 市販の, 人気の高い, 最先端の画像登録ツールボックスに比べて, はるかに優れた登録を行う。
  論文  参考訳（メタデータ） (2020-07-27T16:51:25Z)
• Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
  最小二乗問題に対する反復スケッチの性能について検討する。 本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。 これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
  論文  参考訳（メタデータ） (2020-02-03T16:17:50Z)
• Data Augmentation for Histopathological Images Based on Gaussian-Laplacian Pyramid Blending [59.91656519028334]
  データ不均衡は、機械学習(ML)アルゴリズムに影響を及ぼす主要な問題である。 本稿では、HIデータセットを増大させるだけでなく、患者間の変動を分散させる新しいアプローチを提案する。 BreakHisデータセットの実験結果から、文献で示されたDA手法の大多数は、有望な利得を示している。
  論文  参考訳（メタデータ） (2020-01-31T22:02:57Z)

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。