論文の概要: Hierarchy-Aware and Channel-Adaptive Semantic Communication for Bandwidth-Limited Data Fusion

• arxiv url: http://arxiv.org/abs/2503.17777v1
• Date: Sat, 22 Mar 2025 14:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:34:19.820809
• Title: Hierarchy-Aware and Channel-Adaptive Semantic Communication for Bandwidth-Limited Data Fusion
• Title（参考訳）: 帯域制限データ融合のための階層認識とチャネル適応セマンティック通信
• Authors: Lei Guo, Wei Chen, Yuxuan Sun, Bo Ai, Nikolaos Pappas, Tony Quek,
• Abstract要約: 本稿では,帯域幅制限データ融合のための階層認識とチャネル適応型セマンティック通信手法を提案する。 超解像に必要な画像の全体構造情報と詳細の両方を保持するために階層的相関モジュールを提案する。 深い特徴と浅い特徴を動的に統合し,伝達するために,Transformerに基づくチャネル適応型アテンション機構を提案する。
• 参考スコア（独自算出の注目度）: 27.049330099874396
• License:
• Abstract: Obtaining high-resolution hyperspectral images (HR-HSI) is costly and data-intensive, making it necessary to fuse low-resolution hyperspectral images (LR-HSI) with high-resolution RGB images (HR-RGB) for practical applications. However, traditional fusion techniques, which integrate detailed information into the reconstruction, significantly increase bandwidth consumption compared to directly transmitting raw data. To overcome these challenges, we propose a hierarchy-aware and channel-adaptive semantic communication approach for bandwidth-limited data fusion. A hierarchical correlation module is proposed to preserve both the overall structural information and the details of the image required for super-resolution. This module efficiently combines deep semantic and shallow features from LR-HSI and HR-RGB. To further reduce bandwidth usage while preserving reconstruction quality, a channel-adaptive attention mechanism based on Transformer is proposed to dynamically integrate and transmit the deep and shallow features, enabling efficient data transmission and high-quality HR-HSI reconstruction. Experimental results on the CAVE and Washington DC Mall datasets demonstrate that our method outperforms single-source transmission, achieving up to a 2 dB improvement in peak signal-to-noise ratio (PSNR). Additionally, it reduces bandwidth consumption by two-thirds, confirming its effectiveness in bandwidth-constrained environments for HR-HSI reconstruction tasks.
• Abstract（参考訳）: 高分解能ハイパースペクトル画像(HR-HSI)の取得は費用がかかり、データ集約性が高いため、実用化には低分解能ハイパースペクトル画像(LR-HSI)と高分解能RGB画像(HR-RGB)を融合する必要がある。 しかし, 復元に詳細な情報を統合する従来の融合技術は, 直接送信する生データに比べて帯域幅の消費を著しく増加させる。 これらの課題を克服するために,帯域幅制限データ融合のための階層型およびチャネル適応型セマンティック通信手法を提案する。 超解像に必要な画像の全体構造情報と詳細の両方を保持するために階層的相関モジュールを提案する。 このモジュールは、LR-HSIとHR-RGBの深い意味と浅い特徴を効率的に組み合わせている。 復元品質を保ちながら帯域幅を更に削減するため,トランスフォーマーに基づくチャネル適応型アテンション機構を提案し,深部・浅部の特徴を動的に統合・伝達し,効率的なデータ伝送と高品位HR-HSI再構成を実現する。 CAVEおよびWashington DC Mallデータセットによる実験結果から,本手法はピーク信号-雑音比(PSNR)を最大2dB向上させることに成功した。 さらに、HR-HSI再構成タスクの帯域制限環境において、帯域幅を2/3削減し、その有効性を確認する。

関連論文リスト

• GDSR: Global-Detail Integration through Dual-Branch Network with Wavelet Losses for Remote Sensing Image Super-Resolution [30.21425157733119]
  リモートセンシング画像(RSI)にRWKV(Receptance Weighted Key Value)を導入する。 本稿では,RWKVと畳み込み操作を並列化してSR再構成を行うGDSRを提案する。 さらに,画像中の高頻度の詳細情報を効果的にキャプチャし,特にディテール再構成におけるSRの視覚的品質を向上させる損失関数であるWavelet Lossを提案する。
  論文  参考訳（メタデータ） (2024-12-31T10:43:19Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
  カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T06:35:59Z)
• Hyperspectral Image Super-Resolution via Dual-domain Network Based on Hybrid Convolution [6.3814314790000415]
  本稿ではハイブリッド畳み込み(SRDNet)に基づく新しいHSI超解像アルゴリズムを提案する。 スペクトル間自己相似性を捉えるため、空間領域に自己注意学習機構(HSL)を考案する。 HSIの知覚品質をさらに向上するため、周波数領域のモデルを最適化するために周波数損失(HFL)を導入した。
  論文  参考訳（メタデータ） (2023-04-10T13:51:28Z)
• SCALES: Boost Binary Neural Network for Image Super-Resolution with Efficient Scalings [20.32333278283026]
  本稿では,レイヤワイズスケーリング係数と空間再スケーリング法,チャネルワイズ再スケーリング法からなるSRネットワークのバイナライズ手法を提案する。 ベースライン方式と比較してPSNRを1dB以上の精度で改善し,最初の精度の高いバイナリトランスフォーマーベースSRネットワークを実現する。
  論文  参考訳（メタデータ） (2023-03-22T02:36:13Z)
• DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image Super-Resolution [15.694407977871341]
  実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。 既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。 本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
  論文  参考訳（メタデータ） (2022-12-15T04:34:57Z)
• Adaptive Information Bottleneck Guided Joint Source and Channel Coding for Image Transmission [132.72277692192878]
  画像伝送には適応情報ボトルネック(IB)誘導ジョイントソースとチャネル符号化(AIB-JSCC)が提案されている。 AIB-JSCCの目的は、画像再構成品質を改善しながら伝送速度を下げることである。 実験の結果,AIB-JSCCは送信データ量を大幅に削減し,再現性を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-03-12T17:44:02Z)
• Bandwidth-Agile Image Transmission with Deep Joint Source-Channel Coding [7.081604594416339]
  画像が時間や頻度で徐々に層に伝達されるシナリオを考察する。 DeepJSCC-$l$は、畳み込みオートエンコーダを使用する革新的なソリューションである。 DeepJSCC-$l$は、低信号対雑音比(SNR)と小さな帯域幅規則の挑戦において、最先端のデジタルプログレッシブ伝送方式と同等の性能を持つ。
  論文  参考訳（メタデータ） (2020-09-26T00:11:50Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• Lightweight image super-resolution with enhanced CNN [82.36883027158308]
  強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した 情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
  論文  参考訳（メタデータ） (2020-07-08T18:03:40Z)

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。