論文の概要: Degradation-Aware Metric Prompting for Hyperspectral Image Restoration

• arxiv url: http://arxiv.org/abs/2512.20251v2
• Date: Thu, 25 Dec 2025 03:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 13:23:29.811146
• Title: Degradation-Aware Metric Prompting for Hyperspectral Image Restoration
• Title（参考訳）: ハイパースペクトル画像復元のための劣化対応メトリックプロンプト
• Authors: Binfeng Wang, Di Wang, Haonan Guo, Ying Fu, Jing Zhang,
• Abstract要約: ハイパースペクトル画像の復元を支援するためのDAMP(Degradation-Aware Metric Prompting)フレームワークを提案する。 事前定義された劣化先行値に頼るのではなく、連続的に劣化を定量化するために空間スペクトル劣化指標を設計する。 このフレームワークは、多種多様、混合的、あるいは目に見えない劣化の下で適応的、効率的、堅牢な復元を可能にする。
• 参考スコア（独自算出の注目度）: 20.8230102672152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unified hyperspectral image (HSI) restoration aims to recover various degraded HSIs using a single model, offering great practical value. However, existing methods often depend on explicit degradation priors (e.g., degradation labels) as prompts to guide restoration, which are difficult to obtain due to complex and mixed degradations in real-world scenarios. To address this challenge, we propose a Degradation-Aware Metric Prompting (DAMP) framework. Instead of relying on predefined degradation priors, we design spatial-spectral degradation metrics to continuously quantify multi-dimensional degradations, serving as Degradation Prompts (DP). These DP enable the model to capture cross-task similarities in degradation distributions and enhance shared feature learning. Furthermore, we introduce a Spatial-Spectral Adaptive Module (SSAM) that dynamically modulates spatial and spectral feature extraction through learnable parameters. By integrating SSAM as experts within a Mixture-of-Experts architecture, and using DP as the gating router, the framework enables adaptive, efficient, and robust restoration under diverse, mixed, or unseen degradations. Extensive experiments on natural and remote sensing HSI datasets show that DAMP achieves state-of-the-art performance and demonstrates exceptional generalization capability. Code is publicly available at https://github.com/MiliLab/DAMP.
• Abstract（参考訳）: 統一ハイパースペクトル画像(HSI)の復元は, 一つのモデルを用いて様々な劣化したHSIを復元することを目的としており, 実用的価値が高い。 しかし、既存の手法は、現実のシナリオでは複雑で混ざった劣化のために入手が困難である復元を誘導するプロンプトとして、明示的な劣化先行(例えば、劣化ラベル)に依存していることが多い。 この課題に対処するため,我々はDAMP(Degradation-Aware Metric Prompting)フレームワークを提案する。 本研究では, 事前定義された劣化先行値に頼る代わりに, 多次元劣化を連続的に定量化するための空間スペクトル劣化指標を設計し, 分解確率 (DP) として機能する。 これらのDPにより、モデルが劣化分布のクロスタスク類似性を捕捉し、共有特徴学習を強化することができる。 さらに、学習可能なパラメータを通して空間的特徴抽出とスペクトル的特徴抽出を動的に調節する空間スペクトル適応モジュール(SSAM)を導入する。 SSAMをMixture-of-Expertsアーキテクチャのエキスパートとして統合し、DPをゲーティングルータとして使用することにより、多種多様、混在、あるいは見えない劣化の下で適応的、効率的、堅牢な復元を可能にする。 自然およびリモートセンシングされたHSIデータセットに対する大規模な実験により、DAMPは最先端のパフォーマンスを達成し、例外的な一般化能力を示す。 コードはhttps://github.com/MiliLab/DAMPで公開されている。

関連論文リスト

• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• HyperTTA: Test-Time Adaptation for Hyperspectral Image Classification under Distribution Shifts [28.21559601586271]
  HyperTTA (Test-Time Adaptable Transformer for Hyperspectral Degradation) は、様々な劣化条件下でモデルロバスト性を高める統一フレームワークである。 テスト時の適応戦略である、信頼を意識したエントロピー最小化LayerNorm Adapter (CELA)は、LayerNorm層のアフィンパラメータのみを動的に更新する。 2つのベンチマークデータセットの実験では、HyperTTAがさまざまな劣化シナリオで最先端のベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-09-10T09:31:37Z)
• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• DPMambaIR: All-in-One Image Restoration via Degradation-Aware Prompt State Space Model [52.44931846016603]
  DPMambaIRは新しいオールインワン画像復元フレームワークで、微細な分解抽出器と劣化を意識した状態空間モデルを導入している。 DPMambaIRは、PSNRとSSIMでそれぞれ27.69dBと0.893の最高性能を達成している。
  論文  参考訳（メタデータ） (2025-04-24T16:46:32Z)
• Gradient as Conditions: Rethinking HOG for All-in-one Image Restoration [23.153283910821862]
  古典的勾配表現としての向き付け勾配(HOG)のヒストグラムは、様々な劣化に対して強い識別能力を有する。 本稿では,学習可能なHOG機能を統合した変換器モデルHOGformerを提案する。 HOGformerは最先端のパフォーマンスを実現し、複雑な現実世界のシナリオを一般化する。
  論文  参考訳（メタデータ） (2025-04-12T23:52:59Z)
• UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [62.65503609562905]
  我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。 劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。 このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
  論文  参考訳（メタデータ） (2025-01-22T16:10:42Z)
• Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
  マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。 本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-25T09:26:34Z)
• DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• Meta-Learning based Degradation Representation for Blind Super-Resolution [54.93926549648434]
  メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。 我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。 教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
  論文  参考訳（メタデータ） (2022-07-28T09:03:00Z)

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。