論文の概要: GEWDiff: Geometric Enhanced Wavelet-based Diffusion Model for Hyperspectral Image Super-resolution

• arxiv url: http://arxiv.org/abs/2511.07103v1
• Date: Mon, 10 Nov 2025 13:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.28019
• Title: GEWDiff: Geometric Enhanced Wavelet-based Diffusion Model for Hyperspectral Image Super-resolution
• Title（参考訳）: GEWDiff:ハイパースペクトル画像超解像のための幾何学的ウェーブレットに基づく拡散モデル
• Authors: Sirui Wang, Jiang He, Natàlia Blasco Andreo, Xiao Xiang Zhu,
• Abstract要約: 超解像4回で超スペクトル像を再構成するための新しい枠組みを提案する。 スペクトル空間情報を保存しながら、効率よくHSIを潜在空間に圧縮するウェーブレットベースのエンコーダデコーダが導入された。 本モデルでは, 忠実度, スペクトル精度, 視覚リアリズム, 明度など, 複数次元にわたる最先端の成果を示した。
• 参考スコア（独自算出の注目度）: 19.608052570649303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Improving the quality of hyperspectral images (HSIs), such as through super-resolution, is a crucial research area. However, generative modeling for HSIs presents several challenges. Due to their high spectral dimensionality, HSIs are too memory-intensive for direct input into conventional diffusion models. Furthermore, general generative models lack an understanding of the topological and geometric structures of ground objects in remote sensing imagery. In addition, most diffusion models optimize loss functions at the noise level, leading to a non-intuitive convergence behavior and suboptimal generation quality for complex data. To address these challenges, we propose a Geometric Enhanced Wavelet-based Diffusion Model (GEWDiff), a novel framework for reconstructing hyperspectral images at 4-times super-resolution. A wavelet-based encoder-decoder is introduced that efficiently compresses HSIs into a latent space while preserving spectral-spatial information. To avoid distortion during generation, we incorporate a geometry-enhanced diffusion process that preserves the geometric features. Furthermore, a multi-level loss function was designed to guide the diffusion process, promoting stable convergence and improved reconstruction fidelity. Our model demonstrated state-of-the-art results across multiple dimensions, including fidelity, spectral accuracy, visual realism, and clarity.
• Abstract（参考訳）: 超高分解能画像(HSI)の品質向上は重要な研究分野である。 しかし,HSIの生成モデルにはいくつかの課題がある。 高スペクトル次元のため、HSIは従来の拡散モデルへの直接入力にはメモリ集約的すぎる。 さらに、一般的な生成モデルは、リモートセンシング画像における地上物体の位相的および幾何学的構造についての理解を欠いている。 さらに、ほとんどの拡散モデルはノイズレベルでの損失関数を最適化し、複雑なデータに対する非直観的収束挙動と準最適生成品質をもたらす。 これらの課題に対処するために,超高スペクトル画像を超高解像度で再構成する新しいフレームワークであるGeometric Enhanced Wavelet-based Diffusion Model (GEWDiff)を提案する。 スペクトル空間情報を保存しながら、効率よくHSIを潜在空間に圧縮するウェーブレットベースのエンコーダデコーダが導入された。 生成時の歪みを避けるため,幾何学的特徴を保存する幾何学的拡散過程を取り入れた。 さらに, 拡散過程を導出し, 安定収束を促進し, 復元忠実度を向上させる多層損失関数を設計した。 本モデルでは, 忠実度, スペクトル精度, 視覚リアリズム, 明度など, 複数次元にわたる最先端の成果を示した。

関連論文リスト

• Latent Wavelet Diffusion For Ultra-High-Resolution Image Synthesis [56.311477476580926]
  超高分解能(2K-4K)画像合成におけるディテールとテクスチャの忠実度を大幅に向上させる軽量トレーニングフレームワークであるLatent Wavelet Diffusion (LWD)を提案する。 LWDはウェーブレットエネルギーマップから導かれる新しい周波数対応マスキング戦略を導入し、潜在空間の詳細な領域にトレーニングプロセスを動的に焦点をあてる。
  論文  参考訳（メタデータ） (2025-05-31T07:28:32Z)
• 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)
• Enhancing Hyperspectral Images via Diffusion Model and Group-Autoencoder Super-resolution Network [29.6360974619655]
  Group-Autoencoder (GAE)フレームワークは、高次元ハイパースペクトルデータを低次元潜在空間に符号化する。 DMGASRの高効率HSI SRモデル(DMGASR) 自然と遠隔の両方のハイパースペクトルデータセットに対する実験結果から,提案手法は視覚的・計量的にも他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-27T07:57:28Z)
• 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)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Hyperspectral Image Super-resolution with Deep Priors and Degradation Model Inversion [6.0622962428871885]
  核融合型ハイパースペクトル画像(HSI)の高分解能化が注目されている。 ディープラーニングアーキテクチャは、HSI超解像問題に対処するために使われてきた。 目的関数のデータ忠実度項における線形劣化モデルを用いる手法を提案する。
  論文  参考訳（メタデータ） (2022-01-24T18:17:40Z)
• A Latent Encoder Coupled Generative Adversarial Network (LE-GAN) for Efficient Hyperspectral Image Super-resolution [3.1023808510465627]
  GAN(Generative Adversarial Network)は画像超解像のための効果的なディープラーニングフレームワークであることが証明されている。 モード崩壊の問題を緩和するため,本研究では,潜在エンコーダ(LE-GAN)と組み合わせた新しいGANモデルを提案する。 LE-GANは、生成したスペクトル空間の特徴を画像空間から潜在空間にマッピングし、生成したサンプルを正規化するための結合成分を生成する。
  論文  参考訳（メタデータ） (2021-11-16T18:40:19Z)

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。