論文の概要: Zero-Shot Hyperspectral Pansharpening Using Hysteresis-Based Tuning for Spectral Quality Control

• arxiv url: http://arxiv.org/abs/2505.16658v1
• Date: Thu, 22 May 2025 13:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.319101
• Title: Zero-Shot Hyperspectral Pansharpening Using Hysteresis-Based Tuning for Spectral Quality Control
• Title（参考訳）: スペクトル品質制御のためのヒステリシス調整を用いたゼロショットハイパースペクトル焼成
• Authors: Giuseppe Guarino, Matteo Ciotola, Gemine Vivone, Giovanni Poggi, Giuseppe Scarpa,
• Abstract要約: ハイパースペクトルパンシャルペン法は、ハイパースペクトルデータ融合によって引き起こされるユニークな課題をしばしば見落としている。 単一の軽量ニューラルネットワークが使用され、各バンドにフライに適応するウェイトが使用される。 提案手法は,外部データ,フレキシブル,低複雑さを事前トレーニングすることなく,完全に教師なしである。
• 参考スコア（独自算出の注目度）: 5.231219025536678
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hyperspectral pansharpening has received much attention in recent years due to technological and methodological advances that open the door to new application scenarios. However, research on this topic is only now gaining momentum. The most popular methods are still borrowed from the more mature field of multispectral pansharpening and often overlook the unique challenges posed by hyperspectral data fusion, such as i) the very large number of bands, ii) the overwhelming noise in selected spectral ranges, iii) the significant spectral mismatch between panchromatic and hyperspectral components, iv) a typically high resolution ratio. Imprecise data modeling especially affects spectral fidelity. Even state-of-the-art methods perform well in certain spectral ranges and much worse in others, failing to ensure consistent quality across all bands, with the risk of generating unreliable results. Here, we propose a hyperspectral pansharpening method that explicitly addresses this problem and ensures uniform spectral quality. To this end, a single lightweight neural network is used, with weights that adapt on the fly to each band. During fine-tuning, the spatial loss is turned on and off to ensure a fast convergence of the spectral loss to the desired level, according to a hysteresis-like dynamic. Furthermore, the spatial loss itself is appropriately redefined to account for nonlinear dependencies between panchromatic and spectral bands. Overall, the proposed method is fully unsupervised, with no prior training on external data, flexible, and low-complexity. Experiments on a recently published benchmarking toolbox show that it ensures excellent sharpening quality, competitive with the state-of-the-art, consistently across all bands. The software code and the full set of results are shared online on https://github.com/giu-guarino/rho-PNN.
• Abstract（参考訳）: ハイパースペクトル・パンシャーペニングは、新しい応用シナリオへの扉を開く技術と方法論の進歩により、近年多くの注目を集めている。 しかし、この話題の研究は勢いを増しているだけである。 最も一般的な方法は、まだより成熟したマルチスペクトルパンシャーピングの分野から借用されており、しばしばハイパースペクトルデータ融合によって引き起こされる固有の課題を見落としている。 i) 非常に多数のバンド 二 選択したスペクトル範囲における圧倒的な騒音 三 汎色成分と高スペクトル成分との有意なスペクトルミスマッチ iv) 典型的には高分解能比。 不正確なデータモデリングは特にスペクトル忠実度に影響を及ぼす。 最先端の手法でさえ特定のスペクトル範囲で良好に動作し、他の方法ではさらに悪化し、すべてのバンドで一貫した品質を確保することができず、信頼性の低い結果を生み出すリスクがある。 本稿では、この問題に明示的に対処し、均一なスペクトル品質を保証できる超スペクトルパンスルペン法を提案する。 この目的のために、1つの軽量ニューラルネットワークを使用し、各バンドにフライに適応する重みを持つ。 微調整の間、空間的損失はオン/オフされ、ヒステリシスのようなダイナミクスにより、スペクトル損失の望ましいレベルへの高速な収束が保証される。 さらに、空間損失自体は、パンクロマティックバンドとスペクトルバンド間の非線形依存関係を考慮するために適切に再定義される。 全体として、提案手法は完全に教師なしであり、外部データに対する事前のトレーニングがなく、柔軟性があり、低複雑さである。 最近公開されたベンチマークツールボックスの実験では、すべてのバンドで一貫して最新技術と競合する、優れたシャープな品質を保証することが示されている。 ソフトウェアコードと結果の全セットはhttps://github.com/giu-guarino/rho-PNN.comで公開されている。

関連論文リスト

• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Hyperspectral Pansharpening: Critical Review, Tools and Future Perspectives [23.833438162665715]
  高分解能パンクロマティックバンドと低分解能ハイパースペクトル画像とを融合させて、空間領域とスペクトル領域の両方で高分解能の画像を得る。 本稿では,新しい手法の迅速な開発と正確な評価のための包括的枠組みの欠如に対処する。
  論文  参考訳（メタデータ） (2024-07-01T15:10:50Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Residual Degradation Learning Unfolding Framework with Mixing Priors across Spectral and Spatial for Compressive Spectral Imaging [29.135848304404533]
  符号化開口スナップショット分光画像(CASSI)が提案されている。 CASSIシステムの中核的な問題は、信頼性と微妙な基礎となる3次元スペクトル立方体を2次元測定から回収することである。 本稿では,センサマトリックスと劣化過程のギャップを埋めるResidual Degradation Learning Unfolding Framework (RDLUF)を提案する。
  論文  参考訳（メタデータ） (2022-11-13T12:31:49Z)
• Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution [82.59267937569213]
  高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。 本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。 限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-31T02:13:00Z)
• Spatial-Spectral Feedback Network for Super-Resolution of Hyperspectral Imagery [11.76638109321532]
  ハイパースペクトル画像における高次元および複雑なスペクトルパターンは、バンド間の空間情報とスペクトル情報の同時探索を困難にする。 利用可能なハイパースペクトルトレーニングサンプルの数は極めて少なく、ディープニューラルネットワークのトレーニング時にオーバーフィットする可能性がある。 グローバルスペクトル帯域からの高レベル情報を持つ局所スペクトル帯域間の低レベル表現を洗練するための新しい空間スペクトルフィードバックネットワーク(ssfn)を提案する。
  論文  参考訳（メタデータ） (2021-03-07T13:28:48Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• 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)
• 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)

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。