論文の概要: 3DeepRep: 3D Deep Low-rank Tensor Representation for Hyperspectral Image Inpainting

• arxiv url: http://arxiv.org/abs/2506.16735v1
• Date: Fri, 20 Jun 2025 04:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.334875
• Title: 3DeepRep: 3D Deep Low-rank Tensor Representation for Hyperspectral Image Inpainting
• Title（参考訳）: 3DepRep: 3D Deep Low-rank Tensor Representation for Hyperspectral Image Inpainting
• Authors: Yunshan Li, Wenwu Gong, Qianqian Wang, Chao Wang, Lili Yang,
• Abstract要約: 本研究では,HSIテンソルの3モードすべてに沿って深い非線形変換を行う3方向のディープローランクテンソル表現(DeepRep)モデルを提案する。 実世界のHSIデータセットを用いた実験により,提案手法は既存の最先端技術よりも優れた塗装性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 21.0727245787919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent approaches based on transform-based tensor nuclear norm (TNN) have demonstrated notable effectiveness in hyperspectral image (HSI) inpainting by leveraging low-rank structures in latent representations. Recent developments incorporate deep transforms to improve low-rank tensor representation; however, existing approaches typically restrict the transform to the spectral mode, neglecting low-rank properties along other tensor modes. In this paper, we propose a novel 3-directional deep low-rank tensor representation (3DeepRep) model, which performs deep nonlinear transforms along all three modes of the HSI tensor. To enforce low-rankness, the model minimizes the nuclear norms of mode-i frontal slices in the corresponding latent space for each direction (i=1,2,3), forming a 3-directional TNN regularization. The outputs from the three directional branches are subsequently fused via a learnable aggregation module to produce the final result. An efficient gradient-based optimization algorithm is developed to solve the model in a self-supervised manner. Extensive experiments on real-world HSI datasets demonstrate that the proposed method achieves superior inpainting performance compared to existing state-of-the-art techniques, both qualitatively and quantitatively.
• Abstract（参考訳）: トランスフォーメーションベースのテンソル核ノルム(TNN)に基づく最近のアプローチは、潜時表現における低ランク構造を利用したハイパースペクトル像(HSI)の塗布において顕著な効果を示した。 近年の研究では、低ランクテンソル表現を改善するためにディープ変換が取り入れられているが、既存の手法ではスペクトルモードへの変換を制限し、他のテンソルモードに沿った低ランク特性を無視する。 本稿では,HSIテンソルの3モードすべてに沿って深い非線形変換を行う3方向のディープローランクテンソル表現(DeepRep)モデルを提案する。 低ランク性を実現するため、モデルでは、各方向(i=1,2,3)の対応する潜伏空間におけるモード-iフロントスライスの核ノルムを最小化し、3方向のTNN正規化を形成する。 3つの方向分岐からの出力は、学習可能な集約モジュールを介して融合され、最終的な結果が生成される。 自己教師付き方法でモデルを解くために,効率的な勾配に基づく最適化アルゴリズムを開発した。 実世界のHSIデータセットに対する大規模な実験により,提案手法は従来の最先端技術と比較して質的,定量的に優れた塗装性能が得られることを示した。

関連論文リスト

• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• Irregular Tensor Low-Rank Representation for Hyperspectral Image Representation [71.69331824668954]
  スペクトル変動は、ハイパースペクトル画像(HSI)解析において共通の課題となる 低ランクテンソル表現は、HSIデータに固有の相関を利用して、堅牢な戦略として登場した。 本研究では,不規則な3次元立方体を効率的にモデル化するために,不規則なテンソルローランク表現のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-24T02:56:22Z)
• Learned Vertex Descent: A New Direction for 3D Human Model Fitting [64.04726230507258]
  画像やスキャンに適合する3次元人体モデルのための新しい最適化手法を提案する。 われわれのアプローチは、非常に異なる体型を持つ服を着た人々の基盤となる身体を捉えることができ、最先端技術と比べて大きな改善を達成できる。 LVDはまた、人間と手の3次元モデル適合にも適用でき、よりシンプルで高速な方法でSOTAに大きな改善が示される。
  論文  参考訳（メタデータ） (2022-05-12T17:55:51Z)
• 2D+3D facial expression recognition via embedded tensor manifold regularization [16.98176664818354]
  2D+3次元表情認識(FERETMR)のための埋め込みテンソル多様体正規化による新しい手法を提案する。 定常点の観点から一階最適条件を確立し、収束解析によるブロック座標降下(BCD)アルゴリズムを設計する。 BU-3DFEデータベースとBosphorusデータベースの数値計算結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-01-29T06:11:00Z)
• Nonlinear Transform Induced Tensor Nuclear Norm for Tensor Completion [12.788874164701785]
  我々はNTTNNとPAMアルゴリズムの理論的収束性に沿って低ランクテンソル完備化(LRTC)モデルを提案する。 本手法は,線形変換に基づく最先端核標準(TNN)法よりも質的に,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-17T09:25:37Z)

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。