論文の概要: Spectral and Spatial Graph Learning for Multispectral Solar Image Compression

• arxiv url: http://arxiv.org/abs/2512.24463v1
• Date: Tue, 30 Dec 2025 20:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.491668
• Title: Spectral and Spatial Graph Learning for Multispectral Solar Image Compression
• Title（参考訳）: マルチスペクトル太陽画像圧縮のためのスペクトルグラフと空間グラフの学習
• Authors: Prasiddha Siwakoti, Atefeh Khoshkhahtinat, Piyush M. Mehta, Barbara J. Thompson, Michael S. F. Kirk, Daniel da Silva,
• Abstract要約: 本稿では、2つの相補的なモジュールを利用して、太陽観測に適した学習画像圧縮フレームワークを提案する。 6つの極紫外(EUV)チャネルにわたるSDOMLデータセットの評価は、我々のアプローチが平均スペクトル情報分散(MSID)の20.15%を達成することを示している。 1.62%のログがMS-SSIMを強力な学習ベースラインに変換し、よりシャープでスペクトルに忠実な再構成をピクセル当たりのビットレートで実現した。
• 参考スコア（独自算出の注目度）: 4.002298833349518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity compression of multispectral solar imagery remains challenging for space missions, where limited bandwidth must be balanced against preserving fine spectral and spatial details. We present a learned image compression framework tailored to solar observations, leveraging two complementary modules: (1) the Inter-Spectral Windowed Graph Embedding (iSWGE), which explicitly models inter-band relationships by representing spectral channels as graph nodes with learned edge features; and (2) the Windowed Spatial Graph Attention and Convolutional Block Attention (WSGA-C), which combines sparse graph attention with convolutional attention to reduce spatial redundancy and emphasize fine-scale structures. Evaluations on the SDOML dataset across six extreme ultraviolet (EUV) channels show that our approach achieves a 20.15%reduction in Mean Spectral Information Divergence (MSID), up to 1.09% PSNR improvement, and a 1.62% log transformed MS-SSIM gain over strong learned baselines, delivering sharper and spectrally faithful reconstructions at comparable bits-per-pixel rates. The code is publicly available at https://github.com/agyat4/sgraph .
• Abstract（参考訳）: 多スペクトルの太陽画像の高忠実度圧縮は、限られた帯域幅を細かなスペクトルや空間的詳細を保存するためにバランスを取らなければならない宇宙ミッションにおいて依然として困難である。 筆者らは,(1)スペクトル間ウィンドウドグラフ埋め込み(iSWGE)を学習エッジ特徴を持つグラフノードとして表現し,帯域間関係を明示的にモデル化する学習画像圧縮フレームワークと,(2)空間冗長性を低減し,空間冗長性を強調するために,スパースグラフの注意と畳み込みの注意を組み合わせ,微細構造を強調するウィンドウド空間グラフアテンションと畳み込みブロックアテンション(WSGA-C)を併用した学習画像圧縮フレームワークを提案する。 6つの極紫外(EUV)チャネルにわたるSDOMLデータセットの評価は、我々のアプローチが平均スペクトル情報分散(MSID)の20.15%の圧縮を実現し、最大1.09%のPSNR改善、1.62%のログ変換MS-SSIMが強力な学習ベースラインを越え、よりシャープでスペクトルに忠実な再構成を実現していることを示している。 コードはhttps://github.com/agyat4/sgraphで公開されている。

関連論文リスト

• Spectral Discrepancy and Cross-modal Semantic Consistency Learning for Object Detection in Hyperspectral Image [40.38555448650773]
  スペクトル分解能の高いハイパースペクトル画像は、類似した物質の微妙な違いを認識するための新たな洞察を与える。 ハイパースペクトル画像における物体検出は、ハイパースペクトル間バンドの空間的差異により、クラス内およびクラス間類似性において重大な課題に直面している。 textbfSpectral textbfDiscrepancy と textbfCross-textbfModal semantic consistency learning (SDCM) という新しいネットワークを提案する。 提案手法は他の手法と比較して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-20T07:03:09Z)
• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• AS-GCL: Asymmetric Spectral Augmentation on Graph Contrastive Learning [25.07818336162072]
  グラフ・コントラシブ・ラーニング(GCL)は,グラフ構造化データの自己教師型学習における最前線として登場した。 グラフのコントラスト学習に非対称スペクトル拡張を取り入れたAS-GCLという新しいパラダイムを提案する。 提案手法は各コンポーネントに大幅な拡張をもたらす。
  論文  参考訳（メタデータ） (2025-02-19T08:22:57Z)
• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• Adaptive Cross-Attention-Driven Spatial-Spectral Graph Convolutional Network for Hyperspectral Image Classification [13.970396987795228]
  ACSS-GCNは空間GCNサブネットワーク、スペクトルGCNサブネットワーク、グラフクロスアテンション融合モジュールから構成される。 2つのHSIデータセットに対する実験により,提案手法は他の分類法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-04-12T14:06:11Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• 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)

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。