論文の概要: Degradation Alchemy: Self-Supervised Unknown-to-Known Transformation for Blind Hyperspectral Image Fusion

• arxiv url: http://arxiv.org/abs/2503.14892v1
• Date: Wed, 19 Mar 2025 04:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:22.507092
• Title: Degradation Alchemy: Self-Supervised Unknown-to-Known Transformation for Blind Hyperspectral Image Fusion
• Title（参考訳）: ブラインドハイパースペクトル画像融合のための自己監督型未知-知識変換法
• Authors: He Huang, Yong Chen, Yujun Guo, Wei He,
• Abstract要約: ハイパースペクトル画像(HSI)融合は、高分解能HSI(LR-HSI)と高分解能マルチスペクトル画像(HR-MSI)を組み合わせて高分解能HSI(HR-HSI)を生成する効率的な技術である。 既存の教師付き学習手法(SLM)は、テストデータの劣化がトレーニング結果と一致した場合に有望な結果をもたらすが、未知の劣化に一般化する際の課題に直面する。 我々は、未知の劣化を処理対象と同じタイプの劣化に適応的に変換する視覚的HSI融合のための、新しい自己教師付き未知から未知への分解変換フレームワーク(U2K)を提案する。
• 参考スコア（独自算出の注目度）: 10.512426329874437
• License:
• Abstract: Hyperspectral image (HSI) fusion is an efficient technique that combines low-resolution HSI (LR-HSI) and high-resolution multispectral images (HR-MSI) to generate high-resolution HSI (HR-HSI). Existing supervised learning methods (SLMs) can yield promising results when test data degradation matches the training ones, but they face challenges in generalizing to unknown degradations. To unleash the potential and generalization ability of SLMs, we propose a novel self-supervised unknown-to-known degradation transformation framework (U2K) for blind HSI fusion, which adaptively transforms unknown degradation into the same type of degradation as those handled by pre-trained SLMs. Specifically, the proposed U2K framework consists of: (1) spatial and spectral Degradation Wrapping (DW) modules that map HR-HSI to unknown degraded HR-MSI and LR-HSI, and (2) Degradation Transformation (DT) modules that convert these wrapped data into predefined degradation patterns. The transformed HR-MSI and LR-HSI pairs are then processed by a pre-trained network to reconstruct the target HR-HSI. We train the U2K framework in a self-supervised manner using consistency loss and greedy alternating optimization, significantly improving the flexibility of blind HSI fusion. Extensive experiments confirm the effectiveness of our proposed U2K framework in boosting the adaptability of five existing SLMs under various degradation settings and surpassing state-of-the-art blind methods.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)融合は、高分解能HSI(LR-HSI)と高分解能マルチスペクトル画像(HR-MSI)を組み合わせて高分解能HSI(HR-HSI)を生成する。 既存の教師付き学習手法(SLM)は、テストデータの劣化がトレーニング結果と一致した場合に有望な結果をもたらすが、未知の劣化に一般化する上での課題に直面している。 SLMのポテンシャルと一般化能力を解き放つために、未知の劣化を予め訓練されたSLMと同じタイプの劣化に適応的に変換する、盲点HSI融合のための新しい自己教師付き未知から未知への劣化変換フレームワーク(U2K)を提案する。 具体的には,(1) HR-HSIを未知の劣化HR-MSIとLR-HSIにマッピングする空間的およびスペクトル的劣化ラッピング(DW)モジュールと,(2) ラップしたデータを事前定義された劣化パターンに変換する分解変換(DT)モジュールとから構成される。 変換されたHR-MSIとLR-HSIペアは、予め訓練されたネットワークによって処理され、ターゲットのHR-HSIを再構築する。 U2Kフレームワークは、一貫性損失と強欲な交互最適化を用いて自己教師付きで訓練し、視覚的HSI融合の柔軟性を著しく向上させる。 各種劣化条件下での5つの既存SLMの適応性を向上し,最先端のブラインド法を超越したU2Kフレームワークの有効性を確認した。

関連論文リスト

• 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)
• Deep unfolding Network for Hyperspectral Image Super-Resolution with Automatic Exposure Correction [38.807302724277754]
  高分解能マルチスペクトル画像(HR-MSI)と低分解能ハイパースペクトル画像(LR-HSI)の融合は、HSI超解像(HSI-SR)の有効な方法として認識されている。 MSIとHSIのそれぞれの低照度化(LLIE)に基づくほとんどの既存手法とは対照的に,UHSR-AEC(Automatic Exposure Correction)を用いた深部展開HSIスーパーリゾリューションが提案されている。
  論文  参考訳（メタデータ） (2024-03-14T04:41:30Z)
• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• 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)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• Meta-Learning based Degradation Representation for Blind Super-Resolution [54.93926549648434]
  メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。 我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。 教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
  論文  参考訳（メタデータ） (2022-07-28T09:03:00Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)
• 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)
• Coupled Convolutional Neural Network with Adaptive Response Function Learning for Unsupervised Hyperspectral Super-Resolution [28.798775822331045]
  ハイパースペクトル超解像(Hyperspectral super- resolution)とは、高空間分解能と高スペクトル分解能の両方を持つ画像を生成するためにHSIとMSIを融合させることを指す。 本研究では,従来のPSFやSRF情報を使わずにHSI-MSI融合の問題を解く,教師なし深層学習に基づく融合法HyCoNetを提案する。
  論文  参考訳（メタデータ） (2020-07-28T06:17:02Z)

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。