論文の概要: Breaking Spatial Boundaries: Spectral-Domain Registration Guided Hyperspectral and Multispectral Blind Fusion

• arxiv url: http://arxiv.org/abs/2506.20293v1
• Date: Wed, 25 Jun 2025 10:00:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.688655
• Title: Breaking Spatial Boundaries: Spectral-Domain Registration Guided Hyperspectral and Multispectral Blind Fusion
• Title（参考訳）: 空間境界線を破る:ハイパースペクトルとマルチスペクトルブラインド核融合によるスペクトル-領域登録
• Authors: Kunjing Yang, Libin Zheng, Minru Bai, Ting Lu, Leyuan Fang,
• Abstract要約: 近年,非登録ハイパースペクトル画像(HSIs)とマルチスペクトル画像(MSIs)の融合が注目されている。 登録問題に対処するため、既存のほとんどの手法では、MSIとの整合性を達成するためにHSI上の空間変換を採用している。 本稿では、スペクトル領域から登録問題に取り組むことを提案する。
• 参考スコア（独自算出の注目度）: 14.285239151249193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The blind fusion of unregistered hyperspectral images (HSIs) and multispectral images (MSIs) has attracted growing attention recently. To address the registration challenge, most existing methods employ spatial transformations on the HSI to achieve alignment with the MSI. However, due to the substantial differences in spatial resolution of the images, the performance of these methods is often unsatisfactory. Moreover, the registration process tends to be time-consuming when dealing with large-sized images in remote sensing. To address these issues, we propose tackling the registration problem from the spectral domain. Initially, a lightweight Spectral Prior Learning (SPL) network is developed to extract spectral features from the HSI and enhance the spectral resolution of the MSI. Following this, the obtained image undergoes spatial downsampling to produce the registered HSI. In this process, subspace representation and cyclic training strategy are employed to improve spectral accuracy of the registered HSI obtained. Next, we propose a blind sparse fusion (BSF) method, which utilizes group sparsity regularization to equivalently promote the low-rankness of the image. This approach not only circumvents the need for rank estimation, but also reduces computational complexity. Then, we employ the Proximal Alternating Optimization (PAO) algorithm to solve the BSF model, and present its convergence analysis. Finally, extensive numerical experiments on simulated and real datasets are conducted to verify the effectiveness of our method in registration and fusion. We also demonstrate its efficacy in enhancing classification performance.
• Abstract（参考訳）: 近年,非登録ハイパースペクトル画像(HSIs)とマルチスペクトル画像(MSIs)の融合が注目されている。 登録問題に対処するため、既存のほとんどの手法では、MSIとの整合性を達成するためにHSI上の空間変換を採用している。 しかし,画像の空間分解能にはかなりの違いがあるため,これらの手法の性能は不十分であることが多い。 さらに、リモートセンシングにおいて大規模な画像を扱う場合、登録プロセスは時間がかかる傾向にある。 これらの問題に対処するため、スペクトル領域から登録問題に取り組むことを提案する。 当初、HSIからスペクトル特徴を抽出し、MSIのスペクトル分解能を高めるために、SPL(Spectral Prior Learning)ネットワークが開発された。 その後、得られた画像は、空間的なダウンサンプリングを行い、登録されたHSIを生成する。 このプロセスでは、登録されたHSIのスペクトル精度を向上させるために、サブスペース表現と循環訓練戦略を用いる。 次に,群間隔正規化を利用して画像の低ランク化を促進するブラインドスパース融合(BSF)法を提案する。 このアプローチはランク推定の必要性を回避するだけでなく、計算の複雑さを低減する。 次に,BSFモデルを解くためにPAOアルゴリズムを用い,その収束解析を行う。 最後に,本手法の登録・融合における有効性を検証するため,シミュレーションおよび実データに対する広範な数値実験を行った。 また,分類性能の向上にも有効であることを示す。

関連論文リスト

• A Hybrid Registration and Fusion Method for Hyperspectral Super-resolution [0.913509220304172]
  本稿ではRAF-NLRGSというハイブリッド登録・融合モデルを提案する。 RAFモデルは、残余データグループに埋め込まれた貴重な情報を活用するために、制約付きグループ空間を組み込む。 一般化ガウスニュートン(GGN)アルゴリズムと近似交互最適化(PAO)の枠組みも提示する。
  論文  参考訳（メタデータ） (2024-07-07T06:36:19Z)
• 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)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Hyperspectral and Multispectral Image Fusion Using the Conditional Denoising Diffusion Probabilistic Model [18.915369996829984]
  DDPM-Fus と呼ばれる条件付きデノナイジング拡散確率モデルに基づく深部融合法を提案する。 1つの屋内および2つのリモートセンシングデータセットで行った実験は、他の高度な深層学習に基づく融合法と比較して、提案モデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-07T07:08:52Z)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• Hyperspectral Image Segmentation based on Graph Processing over Multilayer Networks [51.15952040322895]
  ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。 M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。 HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
  論文  参考訳（メタデータ） (2021-11-29T23:28:18Z)
• Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
  ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-15T16:59:48Z)
• SSCAN: A Spatial-spectral Cross Attention Network for Hyperspectral Image Denoising [12.873607414761093]
  本稿では,グループ畳み込みとアテンションモジュールを組み合わせた新しいHSIデノベーションネットワークSSCANを提案する。 ハイパースペクトル画像における空間情報とスペクトル情報を有効利用するためのスペクトル空間アテンションブロック(SSAB)を提案する。 実験結果から,提案したSSCANは,最先端のHSI復調アルゴリズムよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-05-23T14:36:17Z)
• Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
  ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。 提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
  論文  参考訳（メタデータ） (2020-10-24T15:53:56Z)

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。