論文の概要: Rethinking Coupled Tensor Analysis for Hyperspectral Super-Resolution: Recoverable Modeling Under Endmember Variability

• arxiv url: http://arxiv.org/abs/2512.19489v1
• Date: Mon, 22 Dec 2025 15:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.811542
• Title: Rethinking Coupled Tensor Analysis for Hyperspectral Super-Resolution: Recoverable Modeling Under Endmember Variability
• Title（参考訳）: ハイパースペクトル超解法のための結合型テンソル解析の再考:終端変動下での復元可能なモデリング
• Authors: Meng Ding, Xiao Fu,
• Abstract要約: この研究は、超解像(HSR)問題、すなわち、空間的に共登録されたハイパースペクトル(HSI)とマルチスペクトル(MSI)画像を融合して超解像(SRI)を復元する問題を再考する。 そこで本研究では,よりフレキシブルなブロック項テンソル分解を用いたスペクトル画像のモデル化を提案する。 このモデリング選択は解釈可能性を保持し、特別なケースとしてPD、Tucker、LL1を仮定し、非理想に対して堅牢に説明する。
• 参考スコア（独自算出の注目度）: 10.95307352591378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work revisits the hyperspectral super-resolution (HSR) problem, i.e., fusing a pair of spatially co-registered hyperspectral (HSI) and multispectral (MSI) images to recover a super-resolution image (SRI) that enhances the spatial resolution of the HSI. Coupled tensor decomposition (CTD)-based methods have gained traction in this domain, offering recoverability guarantees under various assumptions. Existing models such as canonical polyadic decomposition (CPD) and Tucker decomposition provide strong expressive power but lack physical interpretability. The block-term decomposition model with rank-$(L_r, L_r, 1)$ terms (the LL1 model) yields interpretable factors under the linear mixture model (LMM) of spectral images, but LMM assumptions are often violated in practice -- primarily due to nonlinear effects such as endmember variability (EV). To address this, we propose modeling spectral images using a more flexible block-term tensor decomposition with rank-$(L_r, M_r, N_r)$ terms (the LMN model). This modeling choice retains interpretability, subsumes CPD, Tucker, and LL1 as special cases, and robustly accounts for non-ideal effects such as EV, offering a balanced tradeoff between expressiveness and interpretability for HSR. Importantly, under the LMN model for HSI and MSI, recoverability of the SRI can still be established under proper conditions -- providing strong theoretical support. Extensive experiments on synthetic and real datasets further validate the effectiveness and robustness of the proposed method compared with existing CTD-based approaches.
• Abstract（参考訳）: この研究は、超高分解能(HSR)問題、すなわち、空間的に共登録されたハイパースペクトル(HSI)とマルチスペクトル(MSI)画像を融合して、HSIの空間分解能を高める超高分解能画像(SRI)を復元する。 この領域では、結合テンソル分解(CTD)に基づく手法が注目を集めており、様々な仮定の下で回復可能性を保証する。 正準多進分解(CPD)やタッカー分解(Tucker decomposition)のような既存のモデルは、強い表現力を提供するが、物理的解釈性に欠ける。 階数=(L_r, L_r, 1)$項のブロック項分解モデル(LL1モデル)は、スペクトル画像の線形混合モデル(LMM)の下で解釈可能な因子を生成するが、LMMの仮定は、主に終端変数(EV)のような非線形効果によって、実際に違反されることが多い。 そこで本研究では,よりフレキシブルなブロック項テンソル分解を用いたスペクトル画像のモデル化について提案する(L_r, M_r, N_r)。 このモデル選択は解釈可能性を保持し、特別な場合としてPD、Tucker、LL1を仮定し、EVのような非理想的な効果を強く説明し、HSRの表現性と解釈可能性の間のバランスの取れたトレードオフを提供する。 重要なことは、HSI と MSI のLMN モデルの下では、SRI の回復可能性はまだ適切な条件下で確立でき、強力な理論的支援を提供する。 合成および実データに対する大規模な実験により,提案手法の有効性とロバスト性について,既存のCTD法と比較して検証した。

関連論文リスト

• MambaX: Image Super-Resolution with State Predictive Control [48.76194230142064]
  Mambaは、再構築プロセス全体を複数のノードによる状態シーケンスとして表現し、中間的介入を可能にする、有望なアプローチとして登場した。 我々は、連続するスペクトル帯域を潜在状態空間にマッピングする非線形状態予測制御モデル textbfMambaX を作成し、制御方程式の非線形状態パラメータを動的に学習することでSRタスクを一般化した。 本評価では, 単一像SRと多モード融合型SRの両タスクにおいて, 動的スペクトル状態表現モデルの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-11-22T11:44:09Z)
• Bayesian Fully-Connected Tensor Network for Hyperspectral-Multispectral Image Fusion [20.64193953092791]
  ハイパースペクトル・マルチスペクトル画像融合のための完全接続ネットワーク(BFCTN)分解法を提案する。 BFCTNは、最先端の核融合精度と強靭性を達成するだけでなく、複雑な実世界のシナリオにも実用的な適用性を示す。
  論文  参考訳（メタデータ） (2025-10-21T08:19:54Z)
• Hyperspectral Image Recovery Constrained by Multi-Granularity Non-Local Self-Similarity Priors [4.14360329494344]
  テンソル分解における粒度の概念を初めて導入し,多粒性非局所的自己相似性事前制約によるHSI回復モデルを提案する。 実験により, モデルは高い適用性を示し, 様々なタイプの行方不明シーンで顕著な回復効果を示すことがわかった。
  論文  参考訳（メタデータ） (2025-08-02T16:51:07Z)
• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Stability and Generalizability in SDE Diffusion Models with Measure-Preserving Dynamics [11.919291977879801]
  逆問題では、測定やデータから因果因子を推定する過程を記述する。 拡散モデルは、逆問題を解決する強力な生成ツールとして期待されている。
  論文  参考訳（メタデータ） (2024-06-19T15:55:12Z)
• Learning the Degradation Distribution for Blind Image Super-Resolution [43.95832398891317]
  本稿では,確率分解モデル (PDM) を提案する。 PDMはより多様な劣化をモデル化し、試験画像の様々な劣化をよりよくカバーするHR-LRペアを生成することができる。
  論文  参考訳（メタデータ） (2022-03-09T11:30:38Z)
• 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)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)

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。