論文の概要: Deep Diffusion Models and Unsupervised Hyperspectral Unmixing for Realistic Abundance Map Synthesis

• arxiv url: http://arxiv.org/abs/2506.13484v1
• Date: Mon, 16 Jun 2025 13:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.586983
• Title: Deep Diffusion Models and Unsupervised Hyperspectral Unmixing for Realistic Abundance Map Synthesis
• Title（参考訳）: 深部拡散モデルと非教師付きハイパースペクトルアンミキシングによる実空間分布マップの合成
• Authors: Martina Pastorino, Michael Alibani, Nicola Acito, Gabriele Moser,
• Abstract要約: 我々のフレームワークは、ブラインド線形ハイパースペクトルアンミックスと最先端拡散モデルを統合し、合成アブリダンスマップの現実性と多様性を高める。 我々は、地球観測のためのPRISMA宇宙ミッションの実際のハイパースペクトル画像を用いて、我々のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 0.2812395851874055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel methodology for generating realistic abundance maps from hyperspectral imagery using an unsupervised, deep-learning-driven approach. Our framework integrates blind linear hyperspectral unmixing with state-of-the-art diffusion models to enhance the realism and diversity of synthetic abundance maps. First, we apply blind unmixing to extract endmembers and abundance maps directly from raw hyperspectral data. These abundance maps then serve as inputs to a diffusion model, which acts as a generative engine to synthesize highly realistic spatial distributions. Diffusion models have recently revolutionized image synthesis by offering superior performance, flexibility, and stability, making them well-suited for high-dimensional spectral data. By leveraging this combination of physically interpretable unmixing and deep generative modeling, our approach enables the simulation of hyperspectral sensor outputs under diverse imaging conditions--critical for data augmentation, algorithm benchmarking, and model evaluation in hyperspectral analysis. Notably, our method is entirely unsupervised, ensuring adaptability to different datasets without the need for labeled training data. We validate our approach using real hyperspectral imagery from the PRISMA space mission for Earth observation, demonstrating its effectiveness in producing realistic synthetic abundance maps that capture the spatial and spectral characteristics of natural scenes.
• Abstract（参考訳）: 本稿では, 教師なし, ディープラーニング駆動手法を用いて, ハイパースペクトル画像からリアルなアバンダンスマップを生成する手法を提案する。 我々のフレームワークは、ブラインド線形ハイパースペクトルアンミックスと最先端拡散モデルを統合し、合成アブリダンスマップの現実性と多様性を高める。 まず、生のハイパースペクトルデータから直接エンドメンバーとアブリダンスマップを抽出するためにブラインドアンミックスを適用する。 これらの豊かさマップは拡散モデルへの入力として機能し、高現実的な空間分布を合成するための生成エンジンとして機能する。 拡散モデルは最近、優れた性能、柔軟性、安定性を提供し、高次元のスペクトルデータに適するように画像合成に革命をもたらした。 物理的に解釈可能なアンミキシングと深部生成モデリングを組み合わせることで、ハイパースペクトル解析におけるデータ増大、アルゴリズムのベンチマーク、モデル評価に欠かせない様々な画像条件下でのハイパースペクトルセンサ出力のシミュレーションを可能にする。 特に,本手法は完全に教師なしであり,ラベル付きトレーニングデータを必要とせずに,異なるデータセットへの適応性を確保する。 我々は,地球観測のためのPRISMA宇宙ミッションの実際のハイパースペクトル画像を用いて,自然界の空間的・スペクトル的特徴を捉えたリアルな合成アブリダンスマップの作成の有効性を検証した。

関連論文リスト

• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Boosting Zero-shot Stereo Matching using Large-scale Mixed Images Sources in the Real World [8.56549004133167]
  ステレオマッチング法は、密度の高いピクセル単位の基底真理ラベルに依存している。 ラベル付きデータの不足と、合成画像と実世界の画像のドメインギャップは、注目すべき課題である。 視覚基盤モデルと大規模混合画像ソースの両方を活用する新しいフレームワーク textbfBooSTer を提案する。
  論文  参考訳（メタデータ） (2025-05-13T14:24:38Z)
• Language-Informed Hyperspectral Image Synthesis for Imbalanced-Small Sample Classification via Semi-Supervised Conditional Diffusion Model [1.9746060146273674]
  本稿では,新しい言語インフォームドハイパースペクトル画像合成法であるTxt2HSI-LDM(VAE)を提案する。 ハイパースペクトルデータの高次元性に対処するため、普遍変分オートエンコーダ(VAE)は、データを低次元の潜在空間にマッピングするように設計されている。 VAEは、拡散モデルによって生成された潜時空間から言語条件を入力としてHSIをデコードする。
  論文  参考訳（メタデータ） (2025-02-27T02:35:49Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• SatDM: Synthesizing Realistic Satellite Image with Semantic Layout Conditioning using Diffusion Models [0.0]
  Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。 本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。 提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
  論文  参考訳（メタデータ） (2023-09-28T19:39:13Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。