論文の概要: Diffusion Posterior Sampler for Hyperspectral Unmixing with Spectral Variability Modeling

• arxiv url: http://arxiv.org/abs/2512.09871v1
• Date: Wed, 10 Dec 2025 17:57:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.624042
• Title: Diffusion Posterior Sampler for Hyperspectral Unmixing with Spectral Variability Modeling
• Title（参考訳）: スペクトル変動モデルを用いたハイパースペクトルアンミキシング用拡散後部サンプリング器
• Authors: Yimin Zhu, Lincoln Linlin Xu,
• Abstract要約: 線形スペクトル混合モデル(LMM)は、構成材料(エンドメンバー)とその対応する比率(アバンダンス)を1ピクセルにまとめる簡潔な形式を提供する。 重要な課題は、スペクトルの事前分布とスペクトルの変動性をモデル化する方法である。 ベイズフレームワークの重要な課題と利点を考慮し,半盲アンミックス用拡散後サンプリング器を用いた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.1741810474011047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Linear spectral mixture models (LMM) provide a concise form to disentangle the constituent materials (endmembers) and their corresponding proportions (abundance) in a single pixel. The critical challenges are how to model the spectral prior distribution and spectral variability. Prior knowledge and spectral variability can be rigorously modeled under the Bayesian framework, where posterior estimation of Abundance is derived by combining observed data with endmember prior distribution. Considering the key challenges and the advantages of the Bayesian framework, a novel method using a diffusion posterior sampler for semiblind unmixing, denoted as DPS4Un, is proposed to deal with these challenges with the following features: (1) we view the pretrained conditional spectrum diffusion model as a posterior sampler, which can combine the learned endmember prior with observation to get the refined abundance distribution. (2) Instead of using the existing spectral library as prior, which may raise bias, we establish the image-based endmember bundles within superpixels, which are used to train the endmember prior learner with diffusion model. Superpixels make sure the sub-scene is more homogeneous. (3) Instead of using the image-level data consistency constraint, the superpixel-based data fidelity term is proposed. (4) The endmember is initialized as Gaussian noise for each superpixel region, DPS4Un iteratively updates the abundance and endmember, contributing to spectral variability modeling. The experimental results on three real-world benchmark datasets demonstrate that DPS4Un outperforms the state-of-the-art hyperspectral unmixing methods.
• Abstract（参考訳）: 線形スペクトル混合モデル(LMM)は、構成材料(エンドメンバー)とその対応する比率(アバンダンス)を1ピクセルにまとめる簡潔な形式を提供する。 重要な課題は、スペクトルの事前分布とスペクトルの変動性をモデル化する方法である。 先行知識とスペクトル変動性はベイズ的枠組みの下で厳密にモデル化することができる。 ベイズフレームワークの重要な課題と利点を考慮し, DPS4Un と表記される半吹出しアンミックス用拡散後試料を用いた新しい手法を提案し, これらの課題に対処する。 2) 既存のスペクトルライブラリを事前に使用せず, バイアスを生じさせる可能性があるため, 画像ベースの終端バンドルをスーパーピクセル内に構築し, 終端学習者を拡散モデルで訓練する。 スーパーピクセルは、サブシーンがより均一であることを確認する。 (3)画像レベルのデータ一貫性制約を使う代わりに、スーパーピクセルベースのデータ忠実度項を提案する。 (4) 各超画素領域のガウスノイズとして初期化され, DPS4Un で繰り返し更新され, スペクトル変動性モデリングに寄与する。 3つの実世界のベンチマークデータセットの実験結果は、DPS4Unが最先端のハイパースペクトルアンミックス法より優れていることを示している。

関連論文リスト

• Latent Dirichlet Transformer VAE for Hyperspectral Unmixing with Bundled Endmembers [1.9336815376402718]
  ハイパースペクトルアンミックスのための潜在ディリクレ変換器変分オートエンコーダ(LDVAE-T)を提案する。 我々のモデルは、トランスフォーマーアーキテクチャのグローバルコンテキストモデリング機能と、潜在空間に先立ってディリクレによって課される物理的に意味のある制約を組み合わせる。 我々は、Samson、Jasper Ridge、HYDICE Urbanの3つのベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-11-21T20:15:37Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Boosting Diffusion Models with Moving Average Sampling in Frequency Domain [101.43824674873508]
  拡散モデルは、現在のサンプルに頼って次のサンプルをノイズ化し、おそらく不安定化を引き起こす。 本稿では,反復的復調過程をモデル最適化として再解釈し,移動平均機構を利用して全ての先行サンプルをアンサンブルする。 周波数領域における平均サンプリング(MASF)の動作」という完全なアプローチを命名する。
  論文  参考訳（メタデータ） (2024-03-26T16:57:55Z)
• Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
  科学と工学において、ゴールは、ある画像のモダリティを記述する既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。 モチベートされたスコアベース拡散モデルはその経験的成功により、画像再構成に先立って模範の印象的な候補として現れた。
  論文  参考訳（メタデータ） (2024-03-25T15:58:26Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)

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。