論文の概要: Test-time Training for Hyperspectral Image Super-resolution

• arxiv url: http://arxiv.org/abs/2409.08667v1
• Date: Fri, 13 Sep 2024 09:30:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 17:08:51.604770
• Title: Test-time Training for Hyperspectral Image Super-resolution
• Title（参考訳）: ハイパースペクトル画像超解像のための試験時間トレーニング
• Authors: Ke Li, Luc Van Gool, Dengxin Dai,
• Abstract要約: ハイパースペクトル画像(HSI)超解像(SR)は、まだRGB画像SRの研究に遅れを取っている。 本研究では,この問題に対処するための新しいテストタイムトレーニング手法を提案する。 具体的には、より正確な擬似ラベルとより正確なLR-HR関係を生成する新しい自己学習フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 95.38382633281398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The progress on Hyperspectral image (HSI) super-resolution (SR) is still lagging behind the research of RGB image SR. HSIs usually have a high number of spectral bands, so accurately modeling spectral band interaction for HSI SR is hard. Also, training data for HSI SR is hard to obtain so the dataset is usually rather small. In this work, we propose a new test-time training method to tackle this problem. Specifically, a novel self-training framework is developed, where more accurate pseudo-labels and more accurate LR-HR relationships are generated so that the model can be further trained with them to improve performance. In order to better support our test-time training method, we also propose a new network architecture to learn HSI SR without modeling spectral band interaction and propose a new data augmentation method Spectral Mixup to increase the diversity of the training data at test time. We also collect a new HSI dataset with a diverse set of images of interesting objects ranging from food to vegetation, to materials, and to general scenes. Extensive experiments on multiple datasets show that our method can improve the performance of pre-trained models significantly after test-time training and outperform competing methods significantly for HSI SR.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)超解像(SR)の進歩は、RGB画像SRの研究に遅れを取っている。 HSIは通常、多くのスペクトルバンドを持つため、HSI SRのスペクトルバンド相互作用を正確にモデル化するのは困難である。 また、HSI SRのトレーニングデータを得るのは難しいため、データセットは通常かなり小さい。 本研究では,この問題に対処するための新しいテストタイムトレーニング手法を提案する。 具体的には、より正確な擬似ラベルとより正確なLR-HR関係を生成できる新しい自己学習フレームワークを開発した。 また,テスト時の学習方法を改善するために,スペクトル帯域間相互作用をモデル化せずにHSI SRを学習するための新しいネットワークアーキテクチャを提案し,テスト時のトレーニングデータの多様性を高めるために,新しいデータ拡張手法であるSpectral Mixupを提案する。 また、食品、植生、材料、一般的な場面など、興味深い対象の多様な画像を含む新しいHSIデータセットも収集する。 複数のデータセットに対する大規模な実験により,テスト時間トレーニング後の事前学習モデルの性能は有意に向上し,HSI SRでは競合手法よりも優れていた。

関連論文リスト

• EigenSR: Eigenimage-Bridged Pre-Trained RGB Learners for Single Hyperspectral Image Super-Resolution [15.459253235077375]
  単一ハイパースペクトル画像超解像(単一HSI-SR)は、単一入力低解像度HSIの解像度を改善することを目的としている。 データ不足のボトルネックのため、シングルHSI-SRはRGBの自然画像よりもはるかに遅れている。 本稿では,まず事前学習したモデルを空間成分で微調整し,次に反復スペクトル正則化を用いて未知のHSIを推論する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） (2024-09-06T06:46:01Z)
• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• 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)
• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)
• 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)
• Hyperspectral Image Super-Resolution in Arbitrary Input-Output Band Settings [1.2148588577240576]
  スペクトル帯域が狭いハイパースペクトル画像(HSI)は、豊富なスペクトル情報をキャプチャし、多くのコンピュータビジョンタスクに適している。 HSIの基本的な限界の1つは空間分解能の低さであり、この問題に対処するための超解像(SR)に関する最近の研究がいくつか提案されている。 本研究では,任意の数の入力帯域のピーク波長でHSI画像を取り込み,任意の数の出力帯域のピーク波長でスーパーリゾルドHSIを生成することができるメタラーニング型スーパーリゾリューション(MLSR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-19T03:32:28Z)
• 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)
• Unsupervised Alternating Optimization for Blind Hyperspectral Imagery Super-resolution [40.350308926790255]
  本稿では, 盲点HSI融合問題に対処するために, 盲点HSI SR法を提案する。 本稿ではまず,デジェネレーションモデルを推定し,遅延画像の再構成を行うために,逐次最適化に基づく深層フレームワークを提案する。 そして,ネットワークを事前学習するメタラーニングに基づく機構が提案され,ネットワークの速度と一般化能力を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2020-12-03T07:52:32Z)

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。