論文の概要: UnmixingSR: Material-aware Network with Unsupervised Unmixing as Auxiliary Task for Hyperspectral Image Super-resolution

• arxiv url: http://arxiv.org/abs/2407.06525v1
• Date: Tue, 9 Jul 2024 03:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 19:25:27.811212
• Title: UnmixingSR: Material-aware Network with Unsupervised Unmixing as Auxiliary Task for Hyperspectral Image Super-resolution
• Title（参考訳）: UnmixingSR:ハイパースペクトル画像超解像のための補助課題としての教師なしアンミキシングを用いた教材認識ネットワーク
• Authors: Yang Yu,
• Abstract要約: 本論文では、UnmixingSRと呼ばれる、コンポーネント対応ハイパースペクトル画像(HIS)超解像ネットワークを提案する。 我々は、SR問題の解法における方法の安定性を高めるために、LR量とHR量との結合を用いる。 実験結果から,SR問題に組み込まれた補助的タスクとしてのアンミックスプロセスが実現可能で合理的であることが示唆された。
• 参考スコア（独自算出の注目度）: 5.167168688234238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based (DL-based) hyperspectral image (HIS) super-resolution (SR) methods have achieved remarkable performance and attracted attention in industry and academia. Nonetheless, most current methods explored and learned the mapping relationship between low-resolution (LR) and high-resolution (HR) HSIs, leading to the side effect of increasing unreliability and irrationality in solving the ill-posed SR problem. We find, quite interestingly, LR imaging is similar to the mixed pixel phenomenon. A single photodetector in sensor arrays receives the reflectance signals reflected by a number of classes, resulting in low spatial resolution and mixed pixel problems. Inspired by this observation, this paper proposes a component-aware HSI SR network called UnmixingSR, in which the unsupervised HU as an auxiliary task is used to perceive the material components of HSIs. We regard HU as an auxiliary task and incorporate it into the HSI SR process by exploring the constraints between LR and HR abundances. Instead of only learning the mapping relationship between LR and HR HSIs, we leverage the bond between LR abundances and HR abundances to boost the stability of our method in solving SR problems. Moreover, the proposed unmixing process can be embedded into existing deep SR models as a plug-in-play auxiliary task. Experimental results on hyperspectral experiments show that unmixing process as an auxiliary task incorporated into the SR problem is feasible and rational, achieving outstanding performance. The code is available at
• Abstract（参考訳）: 深層学習ベース (DL-based) ハイパースペクトル画像 (HIS) 超解像法 (SR) は, 産業や学界で注目されている。 しかしながら、現在のほとんどの手法は、低分解能(LR)と高分解能(HR)HSIのマッピング関係を探索し、学習し、不確実なSR問題を解く際の不確実性と不合理性を増大させる副作用となった。 非常に興味深いことに、LRイメージングは混合ピクセル現象に類似している。 センサアレイ内の単一光検出器は、複数のクラスによって反射される反射信号を受け取り、空間分解能が低く、混合画素問題を引き起こす。 本研究は,HSIの材料成分を知覚するために,教師なしHUを補助的タスクとして使用するUnmixingSRと呼ばれるコンポーネント対応HSI SRネットワークを提案する。 我々は、HUを補助的タスクとみなし、LRとHRの制約を探索することで、HSI SRプロセスに組み込む。 LRとHR HSIのマッピング関係を学習する代わりに、LRとHRの結合を利用してSR問題の解法における手法の安定性を高める。 さらに、提案したアンミックスプロセスは、プラグインプレイ補助タスクとして既存のディープSRモデルに組み込むことができる。 超スペクトル実験による実験結果から、SR問題に組み込まれた補助的タスクとしての混合過程は実現可能で合理的であり、優れた性能を達成できることが示された。 コードは利用可能です

関連論文リスト

• ESC-MISR: Enhancing Spatial Correlations for Multi-Image Super-Resolution in Remote Sensing [9.782167510476599]
  リモートセンシングにおけるマルチイメージ超解像(MISR-RS)は,リモートセンシングコミュニティにおいて重要な研究課題である。 HR画像再構成のための複数の画像の空間的時間的関係を完全に活用した,ESC-MISR(Enhancing spatial correlations in MISR)という新しいフレームワークを提案する。 提案手法は, ProBA-V データセットの2バンドでそれぞれ 0.70dB と 0.76dB cPSNR の改善を実現している。
  論文  参考訳（メタデータ） (2024-11-07T13:45:04Z)
• CSAKD: Knowledge Distillation with Cross Self-Attention for Hyperspectral and Multispectral Image Fusion [9.3350274016294]
  本稿では, HR-MSI/LR-HSI融合のための新しい知識蒸留(KD)フレームワークを導入し, LR-HSIのSRを実現する。 LR-HSI と HR-MSI の空間的特徴表現とスペクトル的特徴表現をフル活用するために,我々は新しい自己認識(CSA)融合モジュールを提案する。 実験結果から,学生モデルがLR-HSI SRの性能に匹敵する結果を得た。
  論文  参考訳（メタデータ） (2024-06-28T05:25:57Z)
• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• HSR-Diff:Hyperspectral Image Super-Resolution via Conditional Diffusion Models [10.865272587124027]
  条件付き拡散モデル(HSR-Diff)を用いたHSI超解像(SR)手法を提案する。 HSR-Diffは、HR-HSIが純粋なガウス雑音で空間的であり、反復的に洗練されるような繰り返し精製によりHR-HSIを生成する。 さらに、フル解像度画像のグローバル情報を活用するために、プログレッシブラーニング戦略が採用されている。
  論文  参考訳（メタデータ） (2023-06-21T08:04:30Z)
• CiaoSR: Continuous Implicit Attention-in-Attention Network for Arbitrary-Scale Image Super-Resolution [158.2282163651066]
  本稿ではCiaoSRと呼ばれる連続的な暗黙の注意-注意ネットワークを提案する。 我々は、周辺地域の特徴のアンサンブル重みを学習するために、暗黙の注意ネットワークを明示的に設計する。 我々は、この暗黙の注意ネットワークにスケールアウェアの注意を埋め込んで、追加の非ローカル情報を活用する。
  論文  参考訳（メタデータ） (2022-12-08T15:57:46Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Deep Posterior Distribution-based Embedding for Hyperspectral Image Super-resolution [75.24345439401166]
  本稿では,高スペクトル画像の高次元空間スペクトル情報を効率的に効率的に埋め込む方法について述べる。 我々は,HS埋め込みを,慎重に定義されたHS埋め込みイベントの集合の後方分布の近似として定式化する。 そして,提案手法を物理的に解釈可能なソース一貫性超解像フレームワークに組み込む。 3つの一般的なベンチマークデータセットに対する実験により、PDE-Netは最先端の手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-05-30T06:59:01Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• Hyperspectral Image Super-Resolution with Spectral Mixup and Heterogeneous Datasets [99.92564298432387]
  ハイパースペクトル画像(HSI)超解像(SR)の研究 HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。 これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
  論文  参考訳（メタデータ） (2021-01-19T12:19:53Z)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)

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。