論文の概要: Hyperspectral Image Fusion with Spectral-Band and Fusion-Scale Agnosticism

• arxiv url: http://arxiv.org/abs/2602.01681v1
• Date: Mon, 02 Feb 2026 05:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.935678
• Title: Hyperspectral Image Fusion with Spectral-Band and Fusion-Scale Agnosticism
• Title（参考訳）: スペクトルバンドと融合スケールのアグノシズムを用いたハイパースペクトル画像融合
• Authors: Yu-Jie Liang, Zihan Cao, Liang-Jian Deng, Yang Yang, Malu Zhang,
• Abstract要約: 現在のマルチスペクトル・ハイパースペクトル画像融合(MS/HS融合)の深層学習モデルは、一般に固定スペクトルバンドと空間スケールのために設計されている。 スペクトル帯域と融合スケールの不可知性を備えたMS/HS融合のための普遍的なフレームワークであるSSAを提案する。 我々の単一モデルは、目に見えないセンサやスケールに最適化しつつ、最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 42.31159916095528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current deep learning models for Multispectral and Hyperspectral Image Fusion (MS/HS fusion) are typically designed for fixed spectral bands and spatial scales, which limits their transferability across diverse sensors. To address this, we propose SSA, a universal framework for MS/HS fusion with spectral-band and fusion-scale agnosticism. Specifically, we introduce Matryoshka Kernel (MK), a novel operator that enables a single model to adapt to arbitrary numbers of spectral channels. Meanwhile, we build SSA upon an Implicit Neural Representation (INR) backbone that models the HS signal as a continuous function, enabling reconstruction at arbitrary spatial resolutions. Together, these two forms of agnosticism enable a single MS/HS fusion model that generalizes effectively to unseen sensors and spatial scales. Extensive experiments demonstrate that our single model achieves state-of-the-art performance while generalizing well to unseen sensors and scales, paving the way toward future HS foundation models.
• Abstract（参考訳）: 現在のマルチスペクトル・ハイパースペクトル画像融合(MS/HS融合)の深層学習モデルは、通常、様々なセンサー間の転送性を制限する固定スペクトルバンドと空間スケールのために設計されている。 そこで本稿では,スペクトル帯域と融合スケールの非依存性を備えたMS/HS融合のための汎用フレームワークであるSSAを提案する。 具体的には,MK(Matryoshka Kernel)という,任意の数のスペクトルチャネルに単一モデルで適応できる新しい演算子を紹介した。 一方、HS信号を連続関数としてモデル化し、任意の空間分解能で再構成を可能にするインプシットニューラルネットワーク表現(INR)のバックボーン上にSSAを構築する。 これら2つの形態の非依存性により、単一のMS/HS融合モデルが実現され、見えないセンサーや空間スケールに効果的に一般化される。 大規模な実験により、我々の単一のモデルが最先端のパフォーマンスを達成し、未確認のセンサーやスケールに最適化し、将来のHS基盤モデルへの道を開くことが実証された。

関連論文リスト

• Any-Optical-Model: A Universal Foundation Model for Optical Remote Sensing [24.03278912134978]
  我々は任意のバンド構成、センサタイプ、解像度スケールに対応するためのAOM(Any Optical Model)を提案する。 AOMは、バンド不足、クロスセンサー、クロス解像度設定といった困難な条件下で、常に最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2025-12-19T04:21:01Z)
• A Fusion-Guided Inception Network for Hyperspectral Image Super-Resolution [4.487807378174191]
  我々はFusion-Guided Inception Network (FGIN)と呼ばれる単一画像の超解像モデルを提案する。 具体的には、まずスペクトル空間融合モジュールを用いて、スペクトル情報と空間情報を効果的に統合する。 インセプションのような階層的特徴抽出戦略は、マルチスケール空間依存をキャプチャするために用いられる。 再構成品質をさらに向上するため,バイリニアと奥行き分離可能な畳み込みを組み合わせた最適化されたアップサンプリングモジュールを組み込んだ。
  論文  参考訳（メタデータ） (2025-05-06T11:15:59Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images [64.80875911446937]
  RGB画像からのHSI再構成のための相関連続性ネットワーク(CCNet)を提案する。 局所スペクトルの相関について,GrSCM(Group-wise Spectral correlation Modeling)モジュールを紹介する。 グローバルスペクトルの連続性のために、我々はNeSCMモジュールを設計する。
  論文  参考訳（メタデータ） (2025-01-02T15:14:40Z)
• HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
  Hyper SIGMAは、タスクやシーン間でHSI解釈を統合するビジョントランスフォーマーベースの基礎モデルである。 さらに,約450Kのハイパースペクトル画像を含む,事前学習のための大規模ハイパースペクトルデータセットHyperGlobal-450Kを構築した。
  論文  参考訳（メタデータ） (2024-06-17T13:22:58Z)
• SSDiff: Spatial-spectral Integrated Diffusion Model for Remote Sensing Pansharpening [14.293042131263924]
  本稿では,空間スペクトル統合拡散モデルを導入し,リモートセンシングパンシャーピングタスクであるSSDiffについて述べる。 SSDiffは、パンシャルペン過程を部分空間分解の観点から、空間成分とスペクトル成分の融合過程とみなしている。
  論文  参考訳（メタデータ） (2024-04-17T16:30:56Z)
• Unsupervised Hyperspectral and Multispectral Images Fusion Based on the Cycle Consistency [21.233354336608205]
  本稿では,CycFusionと呼ばれるサイクル一貫性に基づく教師なしHSIとMSIの融合モデルを提案する。 CycFusion は低空間分解能 HSI (LrHSI) と高空間分解能 MSI (HrMSI) の領域変換を学習する いくつかのデータセットで行った実験により,提案手法は非教師なし核融合法よりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2023-07-07T06:47:15Z)

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。