論文の概要: Learning Spectral Diffusion Prior for Hyperspectral Image Reconstruction

• arxiv url: http://arxiv.org/abs/2507.13769v1
• Date: Fri, 18 Jul 2025 09:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.24287
• Title: Learning Spectral Diffusion Prior for Hyperspectral Image Reconstruction
• Title（参考訳）: ハイパースペクトル画像再構成に先立つスペクトル拡散の学習
• Authors: Mingyang Yu, Zhijian Wu, Dingjiang Huang,
• Abstract要約: ハイパースペクトル画像(HSI)は、劣化した2次元計測から3D HSIを復元することを目的としている。 深層学習に基づく手法は、しばしばHSIの高周波の詳細を正確に捉えるのに苦労する。 本稿では,拡散モデルを用いてハイパースペクトル画像から暗黙的に学習するスペクトル拡散先行(SDP)を提案する。
• 参考スコア（独自算出の注目度）: 1.8043904095267116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image (HSI) reconstruction aims to recover 3D HSI from its degraded 2D measurements. Recently great progress has been made in deep learning-based methods, however, these methods often struggle to accurately capture high-frequency details of the HSI. To address this issue, this paper proposes a Spectral Diffusion Prior (SDP) that is implicitly learned from hyperspectral images using a diffusion model. Leveraging the powerful ability of the diffusion model to reconstruct details, this learned prior can significantly improve the performance when injected into the HSI model. To further improve the effectiveness of the learned prior, we also propose the Spectral Prior Injector Module (SPIM) to dynamically guide the model to recover the HSI details. We evaluate our method on two representative HSI methods: MST and BISRNet. Experimental results show that our method outperforms existing networks by about 0.5 dB, effectively improving the performance of HSI reconstruction.
• Abstract（参考訳）: ハイパースペクトル画像 (HSI) の再構成は, 劣化した2次元計測から3次元HSIを復元することを目的としている。 近年,深層学習に基づく手法が盛んに行われているが,これらの手法はHSIの高頻度の詳細を正確に捉えるのに苦慮することが多い。 本稿では,高スペクトル画像から拡散モデルを用いて暗黙的に学習するスペクトル拡散優先(SDP)を提案する。 拡散モデルの強力な能力を活用して詳細を再構築し、この学習はHSIモデルに注入した場合の性能を大幅に向上させることができる。 また,学習済みの先行インジェクタモジュール(SPIM, Spectral Prior Injector Module)を動的に誘導し,HSIの詳細を復元する手法を提案する。 MSTとBISRNetの2つの代表的HSI法について検討した。 実験の結果,提案手法は既存のネットワークを0.5dB向上させ,HSI再構成の性能を効果的に向上させることがわかった。

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)
• Rethinking the Upsampling Layer in Hyperspectral Image Super Resolution [51.98465973507002]
  ハイパースペクトル画像のマルチスケールチャネル特性のキャリブレーションにチャネルアテンションを組み込んだ,新しい軽量SHSRネットワーク LKCA-Net を提案する。 我々は、学習可能なアップサンプリング層の低ランク特性が軽量なSHSR手法における重要なボトルネックであることを初めて証明した。
  論文  参考訳（メタデータ） (2025-01-30T15:43:34Z)
• HIR-Diff: Unsupervised Hyperspectral Image Restoration Via Improved Diffusion Models [38.74983301496911]
  ハイパースペクトル画像(HSI)の復元は、劣化した観察からクリーンなイメージを復元することを目的としている。 既存のモデルに基づく手法は、複雑な画像の特徴を正確にモデル化するのに限界がある。 本稿では,事前学習拡散モデル(HIR-Diff)を用いた教師なしHSI復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T17:15:05Z)
• 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)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)
• Hyperspectral Pansharpening Based on Improved Deep Image Prior and Residual Reconstruction [64.10636296274168]
  高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化 近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。 深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
  論文  参考訳（メタデータ） (2021-07-06T14:11:03Z)
• Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
  本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
  論文  参考訳（メタデータ） (2021-03-12T08:57:06Z)
• Snapshot Hyperspectral Imaging Based on Weighted High-order Singular Value Regularization [22.5033027930853]
  スナップショットハイパースペクトルイメージングは、単一の2D測定で3Dハイパースペクトル画像(HSI)をキャプチャできます。 既存の復元方法は、3D HSIの構造的スペクトル空間的性質を完全に利用することはできない。 スナップショットハイパースペクトル画像の再構成精度を高めるために,高次テンソル最適化法を提案する。
  論文  参考訳（メタデータ） (2021-01-22T02:54:55Z)
• Unsupervised Alternating Optimization for Blind Hyperspectral Imagery Super-resolution [40.350308926790255]
  本稿では, 盲点HSI融合問題に対処するために, 盲点HSI SR法を提案する。 本稿ではまず,デジェネレーションモデルを推定し,遅延画像の再構成を行うために,逐次最適化に基づく深層フレームワークを提案する。 そして,ネットワークを事前学習するメタラーニングに基づく機構が提案され,ネットワークの速度と一般化能力を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2020-12-03T07:52:32Z)

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。