論文の概要: A Deep Unfolding Framework for Diffractive Snapshot Spectral Imaging

• arxiv url: http://arxiv.org/abs/2507.04622v1
• Date: Mon, 07 Jul 2025 02:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.259195
• Title: A Deep Unfolding Framework for Diffractive Snapshot Spectral Imaging
• Title（参考訳）: Diffractive Snapshot Spectral Imagingのための深部展開フレームワーク
• Authors: Zhengyue Zhuge, Jiahui Xu, Shiqi Chen, Hao Xu, Yueting Chen, Zhihai Xu, Huajun Feng,
• Abstract要約: 本稿では,DDU (diffractive Deep Unfolding) と呼ばれる,拡散システムのための効率的な深部展開フレームワークを提案する。 本研究では,DSSIにおけるデータ忠実度項の解析解を導出し,反復的再構成プロセスにおける効率と有効性の両方を保証した。 我々のフレームワークは、既存の最先端(SOTA)モデルと強い互換性を示す。
• 参考スコア（独自算出の注目度）: 23.83874042309026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Snapshot hyperspectral imaging systems acquire spectral data cubes through compressed sensing. Recently, diffractive snapshot spectral imaging (DSSI) methods have attracted significant attention. While various optical designs and improvements continue to emerge, research on reconstruction algorithms remains limited. Although numerous networks and deep unfolding methods have been applied on similar tasks, they are not fully compatible with DSSI systems because of their distinct optical encoding mechanism. In this paper, we propose an efficient deep unfolding framework for diffractive systems, termed diffractive deep unfolding (DDU). Specifically, we derive an analytical solution for the data fidelity term in DSSI, ensuring both the efficiency and the effectiveness during the iterative reconstruction process. Given the severely ill-posed nature of the problem, we employ a network-based initialization strategy rather than non-learning-based methods or linear layers, leading to enhanced stability and performance. Our framework demonstrates strong compatibility with existing state-of-the-art (SOTA) models, which effectively address the initialization and prior subproblem. Extensive experiments validate the superiority of the proposed DDU framework, showcasing improved performance while maintaining comparable parameter counts and computational complexity. These results suggest that DDU provides a solid foundation for future unfolding-based methods in DSSI.
• Abstract（参考訳）: スナップショットハイパースペクトルイメージングシステムは、圧縮センシングによりスペクトルデータキューブを取得する。 近年,DSSI法が注目されている。 様々な光学設計や改良が発展し続けているが、再構成アルゴリズムの研究は依然として限られている。 多くのネットワークと深部展開手法が類似のタスクに適用されているが、光学符号化機構が異なるため、DSSIシステムと完全には互換性がない。 本稿では,DDU(diffractive Deep Unfolding)と呼ばれる,拡散システムのための効率的な深層展開フレームワークを提案する。 具体的には、DSSIにおけるデータ忠実度項の分析解を導き、反復的再構成プロセスにおける効率性と有効性の両方を保証します。 問題の本質が極めて不明確であることを踏まえ、ネットワークベースの初期化戦略を非学習的手法や線形層ではなく採用することにより、安定性と性能が向上する。 我々のフレームワークは既存の最先端モデル(SOTA)との強い互換性を示し、初期化と事前のサブプロブレムを効果的に扱う。 拡張実験により提案したDDUフレームワークの優位性を検証し, 比較パラメータ数と計算複雑性を維持しつつ, 性能改善を図った。 これらの結果から,DDUはDSSIにおける将来の展開手法の基盤となることが示唆された。

関連論文リスト

• One-Step Diffusion-based Real-World Image Super-Resolution with Visual Perception Distillation [53.24542646616045]
  画像超解像(SR)生成に特化して設計された新しい視覚知覚拡散蒸留フレームワークであるVPD-SRを提案する。 VPD-SRは2つのコンポーネントから構成される: 明示的セマンティック・アウェア・スーパービジョン(ESS)と高周波知覚(HFP)損失。 提案したVPD-SRは,従来の最先端手法と教師モデルの両方と比較して,たった1ステップのサンプリングで優れた性能が得られる。
  論文  参考訳（メタデータ） (2025-06-03T08:28:13Z)
• Quaternion Wavelet-Conditioned Diffusion Models for Image Super-Resolution [7.986370916847687]
  本稿では、第4次ウェーブレット前処理フレームワークと遅延拡散モデルを統合する新しいSRフレームワークResQuを紹介する。 提案手法は,四元系ウェーブレットの埋め込みを利用して,様々な段階で動的に統合される条件付けプロセスを強化する。 提案手法は,多くの場合において,知覚品質および標準評価指標における既存手法よりも優れる,優れたSR結果が得られる。
  論文  参考訳（メタデータ） (2025-05-01T06:17:33Z)
• Coarse-Fine Spectral-Aware Deformable Convolution For Hyperspectral Image Reconstruction [15.537910100051866]
  Coded Aperture Snapshot Spectral Imaging (CASSI) の逆問題について検討する。 粗面スペクトル対応変形性畳み込みネットワーク(CFSDCN)を提案する。 我々のCFSDCNは、シミュレーションされたHSIデータセットと実際のHSIデータセットの両方において、従来の最先端(SOTA)メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-18T15:15:12Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• Untrained Neural Nets for Snapshot Compressive Imaging: Theory and Algorithms [15.54330224419903]
  スナップショット圧縮イメージング(SCI)は、単一の2次元計測から高次元(3D)データキューブを復元する。 本稿では、DIP(Deep Image prior)などの未学習ニューラルネットワーク(UNN)を用いたSCI回復アルゴリズムに着目し、ソース構造をモデル化する。
  論文  参考訳（メタデータ） (2024-06-06T02:22:43Z)
• DiffSCI: Zero-Shot Snapshot Compressive Imaging via Iterative Spectral Diffusion Model [18.25548360119976]
  マルチスペクトル画像(MSI)におけるスナップショット圧縮画像(SCI)再構成の精度向上を目指した。 DiffSCIと呼ばれる新しいゼロショット拡散モデルを提案する。 我々は,DiffSCIが自己監督的,ゼロショット的アプローチよりも顕著な性能向上を示すことを示すため,広範囲な試験を行った。
  論文  参考訳（メタデータ） (2023-11-19T20:27:14Z)
• A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
  3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。 空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。 SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
  論文  参考訳（メタデータ） (2021-08-17T16:20:51Z)

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。