論文の概要: Spectral-wise Implicit Neural Representation for Hyperspectral Image Reconstruction

• arxiv url: http://arxiv.org/abs/2312.01061v1
• Date: Sat, 2 Dec 2023 08:06:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 19:31:09.044958
• Title: Spectral-wise Implicit Neural Representation 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スペクトルワイドインシシットニューラル表現法
• Authors: Huan Chen, Wangcai Zhao, Tingfa Xu, Shiyun Zhou, Peifu Liu and Jianan Li
• Abstract要約: Coded Aperture Snapshot Spectral Imaging (CASSI) は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 HSIを再構成する既存の方法は、通常、2次元圧縮画像から所定の離散スペクトル帯域のセットへの学習マッピングを含む。 本稿では、この制限に対処するための先駆的なステップとして、スペクトルワイドインシシットニューラル表現(SINR)と呼ばれる革新的な手法を提案する。
• 参考スコア（独自算出の注目度）: 14.621504062838731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coded Aperture Snapshot Spectral Imaging (CASSI) reconstruction aims to recover the 3D spatial-spectral signal from 2D measurement. Existing methods for reconstructing Hyperspectral Image (HSI) typically involve learning mappings from a 2D compressed image to a predetermined set of discrete spectral bands. However, this approach overlooks the inherent continuity of the spectral information. In this study, we propose an innovative method called Spectral-wise Implicit Neural Representation (SINR) as a pioneering step toward addressing this limitation. SINR introduces a continuous spectral amplification process for HSI reconstruction, enabling spectral super-resolution with customizable magnification factors. To achieve this, we leverage the concept of implicit neural representation. Specifically, our approach introduces a spectral-wise attention mechanism that treats individual channels as distinct tokens, thereby capturing global spectral dependencies. Additionally, our approach incorporates two components, namely a Fourier coordinate encoder and a spectral scale factor module. The Fourier coordinate encoder enhances the SINR's ability to emphasize high-frequency components, while the spectral scale factor module guides the SINR to adapt to the variable number of spectral channels. Notably, the SINR framework enhances the flexibility of CASSI reconstruction by accommodating an unlimited number of spectral bands in the desired output. Extensive experiments demonstrate that our SINR outperforms baseline methods. By enabling continuous reconstruction within the CASSI framework, we take the initial stride toward integrating implicit neural representation into the field.
• Abstract（参考訳）: Coded Aperture Snapshot Spectral Imaging (CASSI) は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 ハイパースペクトル画像(HSI)を再構成する既存の方法は、通常、2次元圧縮画像から所定の離散スペクトル帯域への学習マッピングを含む。 しかし、このアプローチはスペクトル情報の固有連続性を見落としている。 本研究では,この制限に対処するための先駆的ステップとして,sinr(spectral-wise implicit neural representation)と呼ばれる革新的な手法を提案する。 SINRは、HSI再構成のための連続スペクトル増幅プロセスを導入し、カスタマイズ可能な倍率係数を持つスペクトル超解像を実現する。 これを実現するために、暗黙の神経表現の概念を利用する。 具体的には,個々のチャネルを個別のトークンとして扱い,グローバルなスペクトル依存性を捉えるスペクトル的注意機構を導入する。 さらに,本手法では,フーリエ座標エンコーダとスペクトルスケール係数モジュールの2つの成分を取り入れた。 フーリエ座標エンコーダはSINRの高周波成分強調能力を高め、スペクトルスケール係数モジュールはSINRを誘導してスペクトルチャネルの可変数に適応させる。 特にSINRフレームワークは、所望の出力に無制限のスペクトル帯域を割り当てることで、CASSI再構成の柔軟性を向上させる。 我々のSINRはベースライン法よりも優れています。 CASSIフレームワーク内で連続的な再構築を可能にすることで、暗黙の神経表現をフィールドに統合する最初の一歩を踏み出した。

関連論文リスト

• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Spectral2Spectral: Image-spectral Similarity Assisted Spectral CT Deep Reconstruction without Reference [5.109423491004876]
  本稿では、教師なしの手法とデータ事前を、Spectral2Spectralという名前の統一されたフレームワークに相乗化するための反復的深層再構築ネットワークを提案する。 我々のSpectral2Spectralは、教師なしの深層学習戦略を用いて、ノイズの多いデータからエンドツーエンドで高品質な画像を得る。 3つの大規模な前臨床データセット実験は、スペクトル2スペクトルが他の最先端の手法よりも優れた画質を再構成することを示した。
  論文  参考訳（メタデータ） (2022-10-03T03:07:33Z)
• Continuous Spectral Reconstruction from RGB Images via Implicit Neural Representation [43.622087181097164]
  既存のスペクトル再構成法は通常、RGB画像から多くのスペクトル帯域への離散写像を学ぶ。 本稿では,ニューラルスペクトル再構成法(NeSR)を提案する。 NeSRは、任意の数のスペクトルバンドを目標出力として可能にすることで、スペクトル再構成の柔軟性を拡大する。
  論文  参考訳（メタデータ） (2021-12-24T09:08:23Z)
• Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
  ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-15T16:59:48Z)
• SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers [91.09957836250209]
  ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。 CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。 我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-07T02:59:21Z)
• Neural network-based image reconstruction in swept-source optical coherence tomography using undersampled spectral data [0.0]
  このフレームワークは、空間的エイリアシングアーティファクトを使わずに、アンダーサンプされたスペクトルデータを用いて、スクラップソースのOCT画像を生成することができる。 既存の swept-source または spectrum domain OCT システムと容易に統合できる。 このディープラーニング対応画像再構成アプローチは、様々なスペクトル領域octシステムで広く使用することができる。
  論文  参考訳（メタデータ） (2021-03-04T22:30:31Z)
• Spectral Response Function Guided Deep Optimization-driven Network for Spectral Super-resolution [20.014293172511074]
  本稿では、より深い空間スペクトルを持つ最適化駆動畳み込みニューラルネットワーク(CNN)を提案する。 自然およびリモートセンシング画像を含む2種類のデータセットに対する実験により,提案手法のスペクトル強調効果が示された。
  論文  参考訳（メタデータ） (2020-11-19T07:52:45Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• 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。