Fugu-MT 論文翻訳(概要): Robust Hyperspectral Image Panshapring via Sparse Spatial-Spectral Representation

論文の概要: Robust Hyperspectral Image Panshapring via Sparse Spatial-Spectral Representation

arxiv url: http://arxiv.org/abs/2501.07953v1
Date: Tue, 14 Jan 2025 09:09:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-15 13:28:31.273689
Title: Robust Hyperspectral Image Panshapring via Sparse Spatial-Spectral Representation
Title（参考訳）: 空間スペクトル表現によるロバストハイパースペクトル画像パノラマ
Authors: Chia-Ming Lee, Yu-Fan Lin, Li-Wei Kang, Chih-Chung Hsu,
Abstract要約: S$3$RNetはハイパースペクトル画像パネルペンのための新しいフレームワークである。低分解能ハイパースペクトル画像(LRHSI)と高分解能マルチスペクトル画像(HRMSI)を疎空間スペクトル表現により組み合わせる。 S$3$RNetは、複数の評価指標で最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 9.3350274016294
License:
Abstract: High-resolution hyperspectral imaging plays a crucial role in various remote sensing applications, yet its acquisition often faces fundamental limitations due to hardware constraints. This paper introduces S$^{3}$RNet, a novel framework for hyperspectral image pansharpening that effectively combines low-resolution hyperspectral images (LRHSI) with high-resolution multispectral images (HRMSI) through sparse spatial-spectral representation. The core of S$^{3}$RNet is the Multi-Branch Fusion Network (MBFN), which employs parallel branches to capture complementary features at different spatial and spectral scales. Unlike traditional approaches that treat all features equally, our Spatial-Spectral Attention Weight Block (SSAWB) dynamically adjusts feature weights to maintain sparse representation while suppressing noise and redundancy. To enhance feature propagation, we incorporate the Dense Feature Aggregation Block (DFAB), which efficiently aggregates inputted features through dense connectivity patterns. This integrated design enables S$^{3}$RNet to selectively emphasize the most informative features from differnt scale while maintaining computational efficiency. Comprehensive experiments demonstrate that S$^{3}$RNet achieves state-of-the-art performance across multiple evaluation metrics, showing particular strength in maintaining high reconstruction quality even under challenging noise conditions. The code will be made publicly available.
Abstract（参考訳）: 高分解能ハイパースペクトルイメージングは、様々なリモートセンシングアプリケーションにおいて重要な役割を担っているが、ハードウェアの制約により、その取得には根本的な制限が伴うことが多い。本稿では,高分解能ハイパースペクトル画像(LRHSI)と高分解能マルチスペクトル画像(HRMSI)を疎空間スペクトル表現により効果的に組み合わせた,高分解能画像パンシャーピングのための新しいフレームワークであるS$^{3}$RNetを紹介する。 S$^{3}$RNetのコアはMulti-Branch Fusion Network (MBFN)であり、異なる空間スケールとスペクトルスケールで補完的な特徴を捉えるために並列ブランチを使用する。全ての特徴を等しく扱う従来のアプローチとは異なり、SSAWB(Spatial-Spectral Attention Weight Block)は、ノイズや冗長性を抑えつつスパース表現を維持するために特徴量を動的に調整する。 Dense Feature Aggregation Block (DFAB, Dense Feature Aggregation Block) を組み込んで, 入力した特徴を高密度接続パターンにより効率的に集約する。この統合設計により、S$^{3}$RNetは計算効率を保ちながら、異なるスケールから最も情報性の高い特徴を選択的に強調することができる。総合的な実験により、S$^{3}$RNetは複数の評価指標にまたがって最先端の性能を達成し、挑戦的な雑音条件下であっても高い復元品質を維持する上で特に強みを示す。コードは公開されます。

関連論文リスト

Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
論文参考訳（メタデータ） (2023-01-15T16:19:18Z)
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)
Asymmetric CNN for image super-resolution [102.96131810686231]
深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
論文参考訳（メタデータ） (2021-03-25T07:10:46Z)
Lightweight Image Super-Resolution with Multi-scale Feature Interaction Network [15.846394239848959]
軽量マルチスケール機能インタラクションネットワーク(MSFIN)を提案する。軽量SISRでは、MSFINは受容野を拡張し、低解像度の観測画像の情報的特徴を適切に活用する。提案したMSFINは,より軽量なモデルで最先端技術に匹敵する性能を達成できる。
論文参考訳（メタデータ） (2021-03-24T07:25:21Z)
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)
Hyperspectral Image Super-resolution via Deep Spatio-spectral Convolutional Neural Networks [32.10057746890683]
本稿では,高分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させる,深部畳み込みニューラルネットワークの簡易かつ効率的なアーキテクチャを提案する。提案したネットワークアーキテクチャは,近年の最先端ハイパースペクトル画像の超解像化手法と比較して,最高の性能を達成している。
論文参考訳（メタデータ） (2020-05-29T05:56:50Z)
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)
Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。