論文の概要: Pixel-to-Abundance Translation: Conditional Generative Adversarial Networks Based on Patch Transformer for Hyperspectral Unmixing

• arxiv url: http://arxiv.org/abs/2312.13127v1
• Date: Wed, 20 Dec 2023 15:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-12-21 15:05:00.920273
• Title: Pixel-to-Abundance Translation: Conditional Generative Adversarial Networks Based on Patch Transformer for Hyperspectral Unmixing
• Title（参考訳）: pixel-to-abundance translation: hyperspectral unmixingのためのパッチトランスフォーマーに基づく条件付き生成逆ネットワーク
• Abstract要約: スペクトルアンミキシングはハイパースペクトル画像処理において重要な課題である。 汎用的アンミックスフレームワークとしてハイパースペクトル条件生成逆ネットワーク(HyperGAN)を提案する。 合成データと実際のハイパースペクトルデータの実験は、最先端の競合他社と比較して印象的な結果が得られる。
• 参考スコア（独自算出の注目度）: 12.976092623812757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral unmixing is a significant challenge in hyperspectral image processing. Existing unmixing methods utilize prior knowledge about the abundance distribution to solve the regularization optimization problem, where the difficulty lies in choosing appropriate prior knowledge and solving the complex regularization optimization problem. To solve these problems, we propose a hyperspectral conditional generative adversarial network (HyperGAN) method as a generic unmixing framework, based on the following assumption: the unmixing process from pixel to abundance can be regarded as a transformation of two modalities with an internal specific relationship. The proposed HyperGAN is composed of a generator and discriminator, the former completes the modal conversion from mixed hyperspectral pixel patch to the abundance of corresponding endmember of the central pixel and the latter is used to distinguish whether the distribution and structure of generated abundance are the same as the true ones. We propose hyperspectral image (HSI) Patch Transformer as the main component of the generator, which utilize adaptive attention score to capture the internal pixels correlation of the HSI patch and leverage the spatial-spectral information in a fine-grained way to achieve optimization of the unmixing process. Experiments on synthetic data and real hyperspectral data achieve impressive results compared to state-of-the-art competitors.
• Abstract（参考訳）: スペクトルアンミキシングはハイパースペクトル画像処理において重要な課題である。 既存の未混合法は、過剰分布に関する事前知識を利用して、適切な事前知識の選択と複素正規化最適化の問題の解決が困難となる正規化最適化問題を解く。 これらの問題を解決するために,超スペクトル条件生成逆逆ネットワーク (hypergan) 法を汎用的混合フレームワークとして提案する: 画素から過剰への混合過程は,内部特異的な関係を持つ2つの様相の変換と見なすことができる。 提案するハイパーガンは、ジェネレータと判別器で構成され、前者は、混合超スペクトル画素パッチから対応する中心画素の端部の存在量へのモーダル変換を完了し、後者は、生成した存在量の分布と構造が真のものと同じかどうかを識別するために使用される。 本稿では,hsiパッチを主成分とするハイパースペクトル画像(hsi)パッチトランスを提案し,hsiパッチの内部画素相関をアダプティブアテンションスコアを用いて捉え,空間スペクトル情報を細かな粒度で活用し,未混合プロセスの最適化を実現する。 合成データと実際のハイパースペクトルデータに関する実験は、最先端の競争相手と比較して印象的な結果が得られる。

関連論文リスト

• SP-MoMamba: Superpixel-driven Mixture of State Space Experts for Efficient Image Super-Resolution [99.56535031145211]
  状態空間モデル(SSM)は、効率的な単一画像超解像(SR)のための強力なパラダイムとして登場した。 我々は、コンテント対応SRのための状態空間の専門家による超ピクセル駆動の混合である textbfSP-MoMamba を提案する。 私たちの中核となる考え方は、従来の剛性スキャンを、スーパーピクセルを基本単位として扱うことによって、テキストのセマンティックなレベルのインタラクションに変換することです。
  論文  参考訳（メタデータ） (2026-05-25T14:19:59Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Hyperspectral Super-Resolution with Inter-Image Variability via Degradation-based Low-Rank and Residual Fusion Method [2.317803962255901]
  マルチスペクトル画像(MSI)によるハイパースペクトル画像の融合は、HSIの空間分解能を高める効果的な方法である。 取得条件が異なるため、スペクトルのばらつきや、HSIとMSIの間の空間的局所的な変化が存在する可能性がある。 既存の方法は通常、直接変換を適用した画像間の可変性を扱う。 本稿では, この課題に対処するために, 劣化に基づく低ランク・残留核融合(DLRRF)モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-19T02:45:31Z)
• 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)
• Hyperspectral Image Generation with Unmixing Guided Diffusion Model [21.078386095749398]
  ハイパースペクトル画像合成(Hyperspectral image synthesis)は、サンプルの多様性を制限する条件付き生成パラダイムによって制約されているが、関心が高まり続けている問題である。 ハイパースペクトルアンミキシングによって明示的に導かれる拡散フレームワークを導入し,課題を克服する。 このアプローチは、(i)画像領域から低次元のアバンダンス多様体に生成を射影する未混合オートエンコーダと、(ii)非負性および和対1の制約を強制するアバンダンス拡散プロセスの2つの協調的なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-06-03T08:27:10Z)
• A Fusion-Guided Inception Network for Hyperspectral Image Super-Resolution [4.487807378174191]
  我々はFusion-Guided Inception Network (FGIN)と呼ばれる単一画像の超解像モデルを提案する。 具体的には、まずスペクトル空間融合モジュールを用いて、スペクトル情報と空間情報を効果的に統合する。 インセプションのような階層的特徴抽出戦略は、マルチスケール空間依存をキャプチャするために用いられる。 再構成品質をさらに向上するため,バイリニアと奥行き分離可能な畳み込みを組み合わせた最適化されたアップサンプリングモジュールを組み込んだ。
  論文  参考訳（メタデータ） (2025-05-06T11:15:59Z)
• QMambaBSR: Burst Image Super-Resolution with Query State Space Model [55.56075874424194]
  バースト超解像度は、複数のバースト低解像度フレームからサブピクセル情報を融合することにより、高画質でよりリッチな細部で高解像度の画像を再構成することを目的としている。 BusrtSRにおいて鍵となる課題は、高周波ノイズ障害を同時に抑制しつつ、ベースフレームの補完的なサブピクセルの詳細を抽出することである。 本稿では,Query State Space Model (QSSM) とAdaptive Up-Sampling Module (AdaUp) を組み合わせた新しいQuery Mamba Burst Super-Resolution (QMambaBSR) ネットワークを紹介する。
  論文  参考訳（メタデータ） (2024-08-16T11:15:29Z)
• Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
  ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。 提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。 評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
  論文  参考訳（メタデータ） (2024-07-22T01:20:32Z)
• A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing Algorithm [8.616208042031877]
  ハイパースペクトルスパースアンミックスでは、空間領域における終端員の変動に対処するためにスペクトル束を用いることに成功した。 我々は,群間隔誘導混合ノルムを組み込むことにより,非混合問題を解くために,マルチスケール空間正規化手法を一般化する。
  論文  参考訳（メタデータ） (2024-01-24T00:37:14Z)
• A Spectral Diffusion Prior for Hyperspectral Image Super-Resolution [14.405562058304074]
  核融合型ハイパースペクトル像(HSI)は,低空間分解能HSIと高空間分解能マルチスペクトル像を融合させて高空間分解能HSIを作成することを目的としている。 拡散モデルの成功により,融合型HSI超解像に先立つ新しいスペクトル拡散法を提案する。
  論文  参考訳（メタデータ） (2023-11-15T13:40:58Z)
• 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)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Subspace-Based Feature Fusion From Hyperspectral And Multispectral Image For Land Cover Classification [17.705966155216945]
  画素分類のためのハイパースペクトル(HS)とマルチスペクトル(MS)画像からの特徴融合法を提案する。 提案手法は,まず形状プロファイルを用いてMS画像から空間的特徴を抽出する。 特徴融合問題を効率的に解くために、交互最適化(AO)と乗算器の交互方向法(ADMM)を組み合わせたアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-02-22T17:59:18Z)
• A Novel adaptive optimization of Dual-Tree Complex Wavelet Transform for Medical Image Fusion [0.0]
  複合ウェーブレット変換(DT-CWT)と適応粒子群最適化(APSO)に基づくマルチモーダル画像融合アルゴリズムを提案する。 実験の結果,提案手法は粒子群最適化に基づく手法よりも著しく優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-22T15:34:01Z)
• 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。