論文の概要: MFmamba: A Multi-function Network for Panchromatic Image Resolution Restoration Based on State-Space Model
- arxiv url: http://arxiv.org/abs/2511.18888v1
- Date: Mon, 24 Nov 2025 08:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.114996
- Title: MFmamba: A Multi-function Network for Panchromatic Image Resolution Restoration Based on State-Space Model
- Title（参考訳）: MFmamba:状態空間モデルに基づく色調画像復元のための多機能ネットワーク
- Authors: Qian Jiang, Qianqian Wang, Xin Jin, Michal Wozniak, Shaowen Yao, Wei Zhou,
- Abstract要約: SR, スペクトル回復, 関節SR, スペクトル回復のタスクを3つの異なる入力で実現できる新しい多機能モデル (MFmamba) を開発した。
多くの実験により、MFmambaは評価指標と視覚的結果に競争力があることが示されている。
- 参考スコア（独自算出の注目度）: 19.346463003446434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Remote sensing images are becoming increasingly widespread in military, earth resource exploration. Because of the limitation of a single sensor, we can obtain high spatial resolution grayscale panchromatic (PAN) images and low spatial resolution color multispectral (MS) images. Therefore, an important issue is to obtain a color image with high spatial resolution when there is only a PAN image at the input. The existing methods improve spatial resolution using super-resolution (SR) technology and spectral recovery using colorization technology. However, the SR technique cannot improve the spectral resolution, and the colorization technique cannot improve the spatial resolution. Moreover, the pansharpening method needs two registered inputs and can not achieve SR. As a result, an integrated approach is expected. To solve the above problems, we designed a novel multi-function model (MFmamba) to realize the tasks of SR, spectral recovery, joint SR and spectral recovery through three different inputs. Firstly, MFmamba utilizes UNet++ as the backbone, and a Mamba Upsample Block (MUB) is combined with UNet++. Secondly, a Dual Pool Attention (DPA) is designed to replace the skip connection in UNet++. Finally, a Multi-scale Hybrid Cross Block (MHCB) is proposed for initial feature extraction. Many experiments show that MFmamba is competitive in evaluation metrics and visual results and performs well in the three tasks when only the input PAN image is used.
- Abstract（参考訳）: リモートセンシング画像は、軍事、地球資源探査においてますます広まりつつある。
単一センサの限界により,高空間分解能グレースケール・パンクロマティック(PAN)画像と低空間分解能カラーマルチスペクトル(MS)画像が得られる。
したがって、入力にPAN画像のみが存在する場合、空間分解能の高いカラー画像を得るのが重要な問題である。
既存の手法は、超解像(SR)技術とカラー化技術を用いたスペクトル回復技術を用いて空間分解能を向上させる。
しかし、SR技術はスペクトル分解能を向上することができず、カラー化技術は空間分解能を改善することができない。
さらに、パンシャーペン方式では2つの登録入力が必要であり、SRを達成できない。
その結果、統合的なアプローチが期待できる。
この問題を解決するために,3つの異なる入力を用いて,SR,スペクトル回復,関節SR,スペクトル回復のタスクを実現する新しい多機能モデル (MFmamba) を設計した。
まず、MFmambaはUNet++をバックボーンとして使用し、Mamba Upsample Block(MUB)とUNet++を組み合わせる。
次に、デュアルプール注意(DPA)はUNet++のスキップ接続を置き換えるように設計されている。
最後に,マルチスケールハイブリッドクロスブロック (MHCB) を初期特徴抽出のために提案する。
多くの実験により、MFmambaは評価指標と視覚的結果において競争力があり、入力PAN画像のみを使用する場合の3つのタスクでよく機能することが示された。
関連論文リスト
- DEPFusion: Dual-Domain Enhancement and Priority-Guided Mamba Fusion for UAV Multispectral Object Detection [6.4402018224356015]
DEPFusionというフレームワークがUAVマルチスペクトル物体検出のために提案されている。
デュアルドメイン強化(DDE)と優先誘導マンバ核融合(PGMF)から構成される。
DroneVehicleとVEDAIデータセットの実験は、DEPFusionが最先端の手法で優れたパフォーマンスを達成することを実証している。
論文 参考訳（メタデータ） (2025-09-09T01:51:57Z) - A Fusion-Guided Inception Network for Hyperspectral Image Super-Resolution [4.487807378174191]
我々はFusion-Guided Inception Network (FGIN)と呼ばれる単一画像の超解像モデルを提案する。
具体的には、まずスペクトル空間融合モジュールを用いて、スペクトル情報と空間情報を効果的に統合する。
インセプションのような階層的特徴抽出戦略は、マルチスケール空間依存をキャプチャするために用いられる。
再構成品質をさらに向上するため,バイリニアと奥行き分離可能な畳み込みを組み合わせた最適化されたアップサンプリングモジュールを組み込んだ。
論文 参考訳（メタデータ） (2025-05-06T11:15:59Z) - FusionRF: High-Fidelity Satellite Neural Radiance Fields from Multispectral and Panchromatic Acquisitions [30.909867962175436]
衛星マルチスペクトルおよびパンクロマティック画像からのデジタル表面再構成のための新しいフレームワークであるFusionRFを紹介する。
その結果,FusionRFは平均17%の深度再構成誤差を低減し,鋭いトレーニングと新規な視点を呈することがわかった。
論文 参考訳（メタデータ） (2024-09-23T15:38:03Z) - SSIF: Learning Continuous Image Representation for Spatial-Spectral
Super-Resolution [73.46167948298041]
本稿では,空間領域における連続画素座標とスペクトル領域における連続波長の両方の関数として,画像を表すニューラル暗黙モデルを提案する。
SSIFは空間分解能とスペクトル分解能の両方によく対応していることを示す。
ダウンストリームタスクのパフォーマンスを1.7%-7%向上させる高解像度画像を生成することができる。
論文 参考訳（メタデータ） (2023-09-30T15:23:30Z) - PC-GANs: Progressive Compensation Generative Adversarial Networks for
Pan-sharpening [50.943080184828524]
空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。
モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
論文 参考訳（メタデータ） (2022-07-29T03:09:21Z) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳（メタデータ） (2022-05-07T23:40:36Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳（メタデータ） (2020-06-18T06:32:11Z) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳（メタデータ） (2020-05-18T14:25:50Z) - Single Pair Cross-Modality Super Resolution [44.83283975852347]
高分解能のRGB画像が低分解能の高分解能化を補助するクロスモダリティ超解法が導入された。
従来の手法とは違って,弱い整列画像を扱うために設計されている,クロスモーダル超解法のためのディープネットワークであるCMSRを提案する。
CMSRは入力画像の解像度を上げることに成功し、RGBの相手から貴重な情報を得るが、アーチファクトや無関係な詳細を導入することなく保守的な方法で得られることを示す。
論文 参考訳（メタデータ） (2020-04-21T12:57:51Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳（メタデータ） (2020-03-02T13:28:32Z)
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。