論文の概要: Uncertainty Quantification in HSI Reconstruction using Physics-Aware Diffusion Priors and Optics-Encoded Measurements

• arxiv url: http://arxiv.org/abs/2511.18473v1
• Date: Sun, 23 Nov 2025 14:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.85754
• Title: Uncertainty Quantification in HSI Reconstruction using Physics-Aware Diffusion Priors and Optics-Encoded Measurements
• Title（参考訳）: 物理対応拡散プリミティブと光学符号化計測を用いたHSI再構成の不確かさの定量化
• Authors: Juan Romero, Qiang Fu, Matteo Ravasi, Wolfgang Heidrich,
• Abstract要約: ベイズ推論問題として高スペクトル像(HSI)再構成を定式化する。 我々は,非条件で訓練された画素レベルの拡散と後方拡散サンプリングを利用するHSDiffというフレームワークを提案する。 我々は,HSDiffが不確実性を考慮したHSI再建のための完全かつ高性能な手法であることを実証した。
• 参考スコア（独自算出の注目度）: 12.90606332269204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral image reconstruction from a compressed measurement is a highly ill-posed inverse problem. Current data-driven methods suffer from hallucination due to the lack of spectral diversity in existing hyperspectral image datasets, particularly when they are evaluated for the metamerism phenomenon. In this work, we formulate hyperspectral image (HSI) reconstruction as a Bayesian inference problem and propose a framework, HSDiff, that utilizes an unconditionally trained, pixel-level diffusion prior and posterior diffusion sampling to generate diverse HSI samples consistent with the measurements of various hyperspectral image formation models. We propose an enhanced metameric augmentation technique using region-based metameric black and partition-of-union spectral upsampling to expand training with physically valid metameric spectra, strengthening the prior diversity and improving uncertainty calibration. We utilize HSDiff to investigate how the studied forward models shape the posterior distribution and demonstrate that guiding with effective spectral encoding provides calibrated informative uncertainty compared to non-encoded models. Through the lens of the Bayesian framework, HSDiff offers a complete, high-performance method for uncertainty-aware HSI reconstruction. Our results also reiterate the significance of effective spectral encoding in snapshot hyperspectral imaging.
• Abstract（参考訳）: 圧縮計測によるハイパースペクトル画像再構成は、非常に不適切な逆問題である。 現在のデータ駆動方式は、既存のハイパースペクトル画像データセットのスペクトル多様性の欠如、特にメタメリズム現象の評価において幻覚に悩まされている。 本研究では,ハイパスペクトル画像再構成をベイズ推定問題として定式化し,非条件で訓練された画素レベルの拡散前および後方拡散サンプリングを利用するフレームワークであるHSDiffを提案し,様々なハイパスペクトル画像生成モデルの測定と一致した多様なHSIサンプルを生成する。 本研究では,地域別メタマーブラックと分断スペクトルアップサンプリングを用いたメタマー増強手法を提案し,物理的に有効なメタマースペクトルを用いたトレーニングを拡大し,事前の多様性を強化し,不確実性校正を改善する。 我々は,HSDiffを用いて,研究された前方モデルが後部分布をどう形成するかを検証し,効果的なスペクトル符号化による誘導が非符号化モデルと比較して校正された情報不確実性をもたらすことを示す。 ベイズフレームワークのレンズを通して、HSDiffは不確実性を認識したHSI再構成のための完全な高性能な方法を提供する。 また, スナップショットハイパースペクトル画像におけるスペクトル符号化の意義についても再検討した。

関連論文リスト

• Spectral Super-Resolution Neural Operator with Atmospheric Radiative Transfer Prior [28.251877082351744]
  スペクトル超解像(SSR)は、マルチスペクトル観測から超スペクトル像(HSI)を再構成することを目的としている。 データ駆動方式は広く使われているが、しばしば物理的原理を見落とし、非現実的なスペクトルを生み出す。 本研究では,大気放射移動(ART)をデータ駆動方式に組み込んだ分光超解像ニューラル演算子(SSRNO)を提案する。
  論文  参考訳（メタデータ） (2025-11-22T02:58:03Z)
• GEWDiff: Geometric Enhanced Wavelet-based Diffusion Model for Hyperspectral Image Super-resolution [19.608052570649303]
  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。
  論文  参考訳（メタデータ） (2025-11-10T13:44:16Z)
• Hyperspectral Image Generation with Unmixing Guided Diffusion Model [21.078386095749398]
  ハイパースペクトル画像合成(Hyperspectral image synthesis)は、サンプルの多様性を制限する条件付き生成パラダイムによって制約されているが、関心が高まり続けている問題である。 ハイパースペクトルアンミキシングによって明示的に導かれる拡散フレームワークを導入し,課題を克服する。 このアプローチは、(i)画像領域から低次元のアバンダンス多様体に生成を射影する未混合オートエンコーダと、(ii)非負性および和対1の制約を強制するアバンダンス拡散プロセスの2つの協調的なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-06-03T08:27:10Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• 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)
• DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model [46.68717345017946]
  ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。 意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。 提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2023-05-21T09:21:41Z)
• SpectralDiff: A Generative Framework for Hyperspectral Image Classification with Diffusion Models [18.391049303136715]
  拡散モデルを用いたHSI分類のための生成フレームワーク(SpectralDiff)を提案する。 SpectralDiffは、高次元および高冗長なデータの分布情報を効果的にマイニングする。 3つの公開HSIデータセットの実験により、提案手法は最先端の手法よりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-12T16:32:34Z)
• 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)
• 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)

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。