論文の概要: Anisotropic Tensor Deconvolution of Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2601.11694v1
• Date: Fri, 16 Jan 2026 16:29:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.289294
• Title: Anisotropic Tensor Deconvolution of Hyperspectral Images
• Title（参考訳）: ハイパースペクトル画像の異方性テンソルデコンボリューション
• Authors: Xinjue Wang, Xiuheng Wang, Esa Ollila, Sergiy A. Vorobyov,
• Abstract要約: ハイパースペクトル画像(HSI)デコンボリューションは、データの高次元性によって困難な逆問題である。 CPD(Canonical Poly Decomposition)の低相似パラメータに基づくフレームワークを提案する。 このアプローチは、遅延のある大規模画像の復元から、$(P+Q+N)R$変数で因子を推定する問題を再キャストする。
• 参考スコア（独自算出の注目度）: 24.509592365283208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral image (HSI) deconvolution is a challenging ill-posed inverse problem, made difficult by the data's high dimensionality.We propose a parameter-parsimonious framework based on a low-rank Canonical Polyadic Decomposition (CPD) of the entire latent HSI $\mathbf{\mathcal{X}} \in \mathbb{R}^{P\times Q \times N}$.This approach recasts the problem from recovering a large-scale image with $PQN$ variables to estimating the CPD factors with $(P+Q+N)R$ variables.This model also enables a structure-aware, anisotropic Total Variation (TV) regularization applied only to the spatial factors, preserving the smooth spectral signatures.An efficient algorithm based on the Proximal Alternating Linearized Minimization (PALM) framework is developed to solve the resulting non-convex optimization problem.Experiments confirm the model's efficiency, showing a numerous parameter reduction of over two orders of magnitude and a compelling trade-off between model compactness and reconstruction accuracy.
• Abstract（参考訳）: HSI$\mathbf{\mathcal{X}} \in \mathbb{R}^{P\times Q \times N}$の低ランク正準多元性分解(CPD)に基づくパラメータ解析フレームワークを提案する。 PQN$変数を用いた大規模画像の復元から,CDD因子を$(P+Q+N)R$変数で推定する問題への再キャストを行う。このモデルでは,空間因子のみに適応し,スムーズなスペクトルシグネチャを保存する構造的,異方性的トータル変分法(TV)正則化も可能であり,非凸最適化問題を解くためにPALM(Proximal Alternating Linearized Minimization)フレームワークに基づく効率的なアルゴリズムが開発されている。

関連論文リスト

• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Quantization through Piecewise-Affine Regularization: Optimization and Statistical Guarantees [13.571671030124604]
  Piecewise regularization (PAR) は、統計的視点に基づく柔軟なモデリングを提供する。 グラデーションと交互方向乗算器を用いて問題を解くためにPAR法を用いる方法を示す。
  論文  参考訳（メタデータ） (2025-08-14T23:35:21Z)
• 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)
• sparseGeoHOPCA: A Geometric Solution to Sparse Higher-Order PCA Without Covariance Estimation [8.802387139798808]
  本稿では,高次主成分分析(SHOPCA)のための新しいフレームワークを提案する。 本稿では,SparseGeoHOPが高次元画像設定とImageNet上でサポートされていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T10:30:48Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Parametric Level-sets Enhanced To Improve Reconstruction (PaLEnTIR) [0.0]
  本稿では,PaLEnTIR(PalenTIR)について紹介する。 キーとなるコントリビューションは、単一のレベルセット関数を利用して、複数コントラストのピースワイズ・コンスタントなオブジェクトを含むシーンを復元する独自の PaLS の定式化である。
  論文  参考訳（メタデータ） (2022-04-21T00:03:44Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Sparse Representations of Positive Functions via First and Second-Order Pseudo-Mirror Descent [15.340540198612823]
  推定器の範囲が非負である必要がある場合、予測されるリスク問題を考察する。 Emphpseudo-gradientsを用いた近似ミラーの1階および2階の変種を開発した。 実験は、実際に不均一なプロセス強度推定に好適な性能を示す。
  論文  参考訳（メタデータ） (2020-11-13T21:54:28Z)

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。