論文の概要: HIMOSA: Efficient Remote Sensing Image Super-Resolution with Hierarchical Mixture of Sparse Attention

• arxiv url: http://arxiv.org/abs/2512.00275v1
• Date: Sat, 29 Nov 2025 02:00:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.145509
• Title: HIMOSA: Efficient Remote Sensing Image Super-Resolution with Hierarchical Mixture of Sparse Attention
• Title（参考訳）: ヒモサ:スパークアテンションの階層的混合による高能率リモートセンシング画像の高分解能化
• Authors: Yi Liu, Yi Wan, Xinyi Liu, Qiong Wu, Panwang Xia, Xuejun Huang, Yongjun Zhang,
• Abstract要約: HIMOSAは、リモートセンシング画像のための軽量超解像度フレームワークである。 本手法は計算効率を保ちながら最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 12.346708587151495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In remote sensing applications, such as disaster detection and response, real-time efficiency and model lightweighting are of critical importance. Consequently, existing remote sensing image super-resolution methods often face a trade-off between model performance and computational efficiency. In this paper, we propose a lightweight super-resolution framework for remote sensing imagery, named HIMOSA. Specifically, HIMOSA leverages the inherent redundancy in remote sensing imagery and introduces a content-aware sparse attention mechanism, enabling the model to achieve fast inference while maintaining strong reconstruction performance. Furthermore, to effectively leverage the multi-scale repetitive patterns found in remote sensing imagery, we introduce a hierarchical window expansion and reduce the computational complexity by adjusting the sparsity of the attention. Extensive experiments on multiple remote sensing datasets demonstrate that our method achieves state-of-the-art performance while maintaining computational efficiency.
• Abstract（参考訳）: 災害検知や応答などのリモートセンシングアプリケーションでは、リアルタイムの効率性やモデルの軽量化が重要である。 そのため、既存のリモートセンシング画像の超解像法はモデル性能と計算効率のトレードオフに直面していることが多い。 本稿では,HIMOSAというリモートセンシング画像のための軽量超解像フレームワークを提案する。 特に、HIMOSAは、リモートセンシング画像に固有の冗長性を活用し、コンテントを意識したスパースアテンション機構を導入し、強力な再構成性能を維持しながら高速な推論を可能にする。 さらに,リモートセンシング画像に見られるマルチスケール反復パターンを効果的に活用するために,階層的なウィンドウ展開を導入し,注意の間隔を調整して計算複雑性を低減する。 複数のリモートセンシングデータセットに対する大規模な実験により,本手法は計算効率を保ちながら最先端の性能を実現することを示す。

関連論文リスト

• HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
  イベントカメラは例外的な時間分解能と範囲(モード)を提供する RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
  論文  参考訳（メタデータ） (2025-10-22T13:15:13Z)
• DroneSR: Rethinking Few-shot Thermal Image Super-Resolution from Drone-based Perspective [50.887173519116196]
  画像上の超分解能タスクでは、生成モデルの代表としての拡散モデルは通常、大規模なアーキテクチャを採用する。 ドローンが捕獲した赤外線のトレーニングデータはほとんどないが、大規模なアーキテクチャでは過度なオーバーフィッティングをしばしば引き起こす。 本稿では,過度な適合を緩和し,ロバスト性を高める拡散モデルに指向した新しいガウス量子化表現学習法を提案する。
  論文  参考訳（メタデータ） (2025-09-02T02:37:42Z)
• A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction [4.824120664293887]
  SatelliteMakerは、さまざまなレベルのデータ損失で失われたデータを再構成する拡散ベースの方法である。 条件入力としてのDEM(Digital Elevation Model)は、リアルな画像を生成するために調整されたプロンプトを使用する。 分散損失に基づくVGG-Adapterモジュール。
  論文  参考訳（メタデータ） (2025-04-16T14:19:57Z)
• RS-vHeat: Heat Conduction Guided Efficient Remote Sensing Foundation Model [59.37279559684668]
  本稿では,効率的なマルチモーダルリモートセンシング基盤モデルであるRS-vHeatを紹介する。 具体的には、RS-vHeatは、O(N1.5)$の複雑さを持つ熱伝導演算子(HCO)と、大域的受容場を適用している。 注意に基づくリモートセンシング基礎モデルと比較して、メモリ使用量を84%削減し、FLOPを24%削減し、スループットを2.7倍改善する。
  論文  参考訳（メタデータ） (2024-11-27T01:43:38Z)
• RemoteDet-Mamba: A Hybrid Mamba-CNN Network for Multi-modal Object Detection in Remote Sensing Images [13.98477009749389]
  我々は,RemoteDet-Mambaと呼ばれる,四方向選択的走査型融合方式を用いたマルチモーダルリモートセンシングネットワークを提案する。 RemoteDet-Mambaは、単一モードのローカル機能の学習とパッチレベルのグローバル機能の統合を同時に促進する。 DroneVehicleデータセットの実験結果は、RemoteDet-Mambaの有効性を示している。
  論文  参考訳（メタデータ） (2024-10-17T13:20:20Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• Boosting Image Super-Resolution Via Fusion of Complementary Information Captured by Multi-Modal Sensors [21.264746234523678]
  イメージスーパーレゾリューション(sr)は、低解像度光センサの画質を向上させる有望な技術である。 本稿では,安価なチャネル(可視・深度)からの補完情報を活用して,少ないパラメータを用いて高価なチャネル(熱)の画像品質を向上させる。
  論文  参考訳（メタデータ） (2020-12-07T02:15:28Z)
• Multi-image Super Resolution of Remotely Sensed Images using Residual Feature Attention Deep Neural Networks [1.3764085113103222]
  本研究は,マルチイメージ超解像課題に効果的に取り組む新しい残像注意モデル(RAMS)を提案する。 本研究では,3次元畳み込みによる視覚特徴の注意機構を導入し,意識的なデータ融合と情報抽出を実現する。 我々の表現学習ネットワークは、冗長な低周波信号を流すためにネストした残差接続を広範囲に利用している。
  論文  参考訳（メタデータ） (2020-07-06T22:54:02Z)

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。