論文の概要: SlowFast-SCI: Slow-Fast Deep Unfolding Learning for Spectral Compressive Imaging

• arxiv url: http://arxiv.org/abs/2509.16509v1
• Date: Sat, 20 Sep 2025 03:09:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.829786
• Title: SlowFast-SCI: Slow-Fast Deep Unfolding Learning for Spectral Compressive Imaging
• Title（参考訳）: SlowFast-SCI:SlowFast Deep Unfolding Learning for Spectral Compressive Imaging
• Authors: Haijin Zeng, Xuan Lu, Yurong Zhang, Yongyong Chen, Jingyong Su, Jie Liu,
• Abstract要約: 我々はSlowFast-SCIを紹介した。これはSCIシステム以外のディープ展開ネットワークにシームレスに統合されたデュアルスピードフレームワークである。 スローラーニングでは、先行学習に基づくバックボーンを事前訓練または再利用し、撮像誘導により高速展開モデルに蒸留する。 高速学習の段階では、軽量適応モジュールが各ブロックに埋め込まれ、二重ドメイン損失によってテスト時に自己教師される。
• 参考スコア（独自算出の注目度）: 46.87595289144432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans learn in two complementary ways: a slow, cumulative process that builds broad, general knowledge, and a fast, on-the-fly process that captures specific experiences. Existing deep-unfolding methods for spectral compressive imaging (SCI) mirror only the slow component-relying on heavy pre-training with many unfolding stages-yet they lack the rapid adaptation needed to handle new optical configurations. As a result, they falter on out-of-distribution cameras, especially in bespoke spectral setups unseen during training. This depth also incurs heavy computation and slow inference. To bridge this gap, we introduce SlowFast-SCI, a dual-speed framework seamlessly integrated into any deep unfolding network beyond SCI systems. During slow learning, we pre-train or reuse a priors-based backbone and distill it via imaging guidance into a compact fast-unfolding model. In the fast learning stage, lightweight adaptation modules are embedded within each block and trained self-supervised at test time via a dual-domain loss-without retraining the backbone. To the best of our knowledge, SlowFast-SCI is the first test-time adaptation-driven deep unfolding framework for efficient, self-adaptive spectral reconstruction. Its dual-stage design unites offline robustness with on-the-fly per-sample calibration-yielding over 70% reduction in parameters and FLOPs, up to 5.79 dB PSNR improvement on out-of-distribution data, preserved cross-domain adaptability, and a 4x faster adaptation speed. In addition, its modularity integrates with any deep-unfolding network, paving the way for self-adaptive, field-deployable imaging and expanded computational imaging modalities. Code and models are available at https://github.com/XuanLu11/SlowFast-SCI.
• Abstract（参考訳）: 人間は2つの補完的な方法で学習する: 広範で一般的な知識を構築する遅くて累積的なプロセスと、特定の経験を捉えた高速でオンザフライなプロセス。 既存のスペクトル圧縮イメージング(SCI)ミラーの深部展開法は、多くの展開段階を持つ重い事前訓練において遅い成分リライジングのみであり、新しい光学的構成を扱うのに必要な迅速な適応が欠如している。 その結果、特にトレーニング中に見つからないスペック設定で、ディストリビューション外カメラに干渉する。 この深さは、重い計算と遅い推論も引き起こす。 このギャップを埋めるために、SlowFast-SCIを導入します。これは、SCIシステム以外のディープ展開ネットワークにシームレスに統合されたデュアルスピードフレームワークです。 スローラーニングでは、先行学習に基づくバックボーンを事前訓練または再利用し、撮像誘導により高速展開モデルに蒸留する。 高速学習の段階では、軽量適応モジュールが各ブロックに埋め込まれ、バックボーンをトレーニングせずに二重ドメインの損失によってテスト時に自己管理される。 我々の知る限り、SlowFast-SCIは、効率的で自己適応的なスペクトル再構成のための、テスト時適応駆動のディープ展開フレームワークである。 デュアルステージ設計ユニットは、オン・ザ・オン・ザ・サンプル・キャリブレーション・収差70%以上のパラメータとFLOPの削減、ディストリビューションデータの最大5.79dB PSNRの改善、ドメイン間の適合性、および4倍高速な適応速度でオフラインでロバスト性を実現する。 さらに、そのモジュラリティは、どんなディープ・アンフォールディング・ネットワークとも統合され、自己適応的でフィールド展開可能なイメージングと、拡張された計算画像モダリティの道を開く。 コードとモデルはhttps://github.com/XuanLu11/SlowFast-SCIで公開されている。

関連論文リスト

• Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
  Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。 既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。 単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
  論文  参考訳（メタデータ） (2025-05-28T14:03:02Z)
• A-SDM: Accelerating Stable Diffusion through Model Assembly and Feature Inheritance Strategies [51.7643024367548]
  安定拡散モデルは、テキスト・ツー・イメージ(T2I)と画像・ツー・イメージ(I2I)生成のための一般的かつ効果的なモデルである。 本研究では、SDMにおける冗長計算の削減と、チューニング不要とチューニング不要の両方の手法によるモデルの最適化に焦点をあてる。
  論文  参考訳（メタデータ） (2024-05-31T21:47:05Z)
• 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)
• Training-Free Acceleration of ViTs with Delayed Spatial Merging [4.523939613157408]
  トークンマージは視覚変換器(ViT)の推論をリトレーニングや微調整なしに高速化する新しいパラダイムとして登場した。 1) アクティベーション・アウトレイアと2) 階層表現の視点を付加することでトークンのマージを改善する。 DSM: Delayed Spatial Mergingと呼ばれる統合推論フレームワークを構築します。
  論文  参考訳（メタデータ） (2023-03-04T05:34:25Z)
• Fast Hierarchical Deep Unfolding Network for Image Compressed Sensing [31.71861820004099]
  画像圧縮センシングのための高速階層型深部展開ネットワーク(DUN)を提案する。 提案したFHDUNは、より少ないイテレーションを維持しながら、既存の最先端のCSメソッドより優れている。
  論文  参考訳（メタデータ） (2022-08-03T03:27:32Z)
• Physics to the Rescue: Deep Non-line-of-sight Reconstruction for High-speed Imaging [13.271762773872476]
  本稿では,高品位かつ堅牢なNLOS再構成のためのニューラルネットワークに,波動伝搬とボリュームレンダリングの相補的な物理を組み込んだ新しいディープモデルを提案する。 本手法は, 実測値と実測値の両方に基づいて, 従来の物理・学習手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-03T02:47:02Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Dual-view Snapshot Compressive Imaging via Optical Flow Aided Recurrent Neural Network [14.796204921975733]
  デュアルビュースナップショット圧縮イメージング(SCI)は、2つの視野(FoV)からのビデオを1つのスナップショットでキャプチャすることを目的としている。 既存のモデルベースの復号アルゴリズムでは個々のシーンを再構築することは困難である。 本稿では,2重ビデオSCIシステムのための光フロー支援型リカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-11T14:24:44Z)

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。