論文の概要: DSCSNet: A Dynamic Sparse Compression Sensing Network for Closely-Spaced Infrared Small Target Unmixing

• arxiv url: http://arxiv.org/abs/2603.21192v1
• Date: Sun, 22 Mar 2026 12:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.285764
• Title: DSCSNet: A Dynamic Sparse Compression Sensing Network for Closely-Spaced Infrared Small Target Unmixing
• Title（参考訳）: DSCSNet: 近接空間赤外小ターゲットアンミックスのための動的スパース圧縮センシングネットワーク
• Authors: Zhiyang Tang, Yiming Zhu, Ruimin Huang, Meng Yang, Yong Ma, Jun Huang, Fan Fan,
• Abstract要約: Close Small Object Unmixingタスクは、混合スポットから個々のターゲットの番号、サブピクセル位置、放射強度を回復することを目的としている。 既存の手法は、モデル駆動アプローチの厳密なスパーシリティ保証と、データ駆動手法の動的シーン適応性のバランスをとるのに苦労している。 本稿では,動的スパース圧縮センシングネットワーク (DSCSNet) を提案する。
• 参考スコア（独自算出の注目度）: 21.491924966226062
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Due to the limitations of optical lens focal length and detector resolution, distant clustered infrared small targets often appear as mixed spots. The Close Small Object Unmixing (CSOU) task aims to recover the number, sub-pixel positions, and radiant intensities of individual targets from these spots, which is a highly ill-posed inverse problem. Existing methods struggle to balance the rigorous sparsity guarantees of model-driven approaches and the dynamic scene adaptability of data-driven methods. To address this dilemma, this paper proposes a Dynamic Sparse Compressed Sensing Network (DSCSNet), a deep-unfolded network that couples the Alternating Direction Method of Multipliers (ADMM) with learnable parameters. Specifically, we embed a strict $\ell_1$-norm sparsity constraint into the auxiliary variable update step of ADMM to replace the traditional $\ell_2$-norm smoothness-promoting terms, which effectively preserves the discrete energy peaks of small targets. We also integrate a self-attention-based dynamic thresholding mechanism into the reconstruction stage, which adaptively adjusts the sparsification intensity using the sparsity-enhanced information from the iterative process. These modules are jointly optimized end-to-end across the three iterative steps of ADMM. Retaining the physical logic of compressed sensing, DSCSNet achieves robust sparsity induction and scene adaptability, thus enhancing the unmixing accuracy and generalization in complex infrared scenarios. Extensive experiments on the synthetic infrared dataset CSIST-100K demonstrate that DSCSNet outperforms state-of-the-art methods in key metrics such as CSO-mAP and sub-pixel localization error.
• Abstract（参考訳）: 光学レンズ焦点距離の制限と検出器分解能のため、遠方の赤外線小ターゲットは混合点としてしばしば現れる。 CSOU(Close Small Object Unmixing)タスクは、これらのスポットから個々のターゲットの数、サブピクセルの位置、放射強度を回復することを目的としており、これは非常に不適切な逆問題である。 既存の手法は、モデル駆動アプローチの厳密なスパーシリティ保証と、データ駆動手法の動的シーン適応性のバランスをとるのに苦労している。 このジレンマに対処するために,マルチプライヤの交互方向法(ADMM)と学習可能なパラメータを結合したディープアンフォールドネットワークである動的スパース圧縮センシングネットワーク(DSCSNet)を提案する。 具体的には、ADMMの補助変数更新ステップに厳密な$\ell_1$-normスムーズ性制約を組み込んで、従来の$\ell_2$-normスムーズネス-プロモーティング項を置き換えることで、小さなターゲットの離散エネルギーピークを効果的に保存する。 また, 自己注意に基づく動的しきい値設定機構を再構成段階に統合し, 繰り返し処理からの疎度強調情報を用いて, 疎化強度を適応的に調整する。 これらのモジュールは、ADMMの3つの反復的なステップにまたがって、共同最適化されたエンドツーエンドである。 圧縮センシングの物理ロジックを維持したDSCSNetは、堅牢なスペーサ性誘導とシーン適応性を実現し、複雑な赤外線シナリオにおける未混合精度と一般化を向上する。 合成赤外線データセットCSIST-100Kの大規模な実験により、DSCSNetはCSO-mAPやサブピクセルのローカライゼーションエラーといった重要な指標において最先端の手法よりも優れていることが示された。

関連論文リスト

• Deep LoRA-Unfolding Networks for Image Restoration [44.864335449093716]
  画像復元のための一般化されたDeep Low-rank Adaptation (LoRA) Unfolding Networksを導入する。 LoRunは、トレーニング済みのベースデノイザをすべてのステージで共有する、新しいパラダイムを導入している。 軽量でステージ固有のLoRAアダプタをPMMに注入し、ノイズレベルに応じて動的に騒音を変調する。
  論文  参考訳（メタデータ） (2026-02-21T02:57:48Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• IrisNet: Infrared Image Status Awareness Meta Decoder for Infrared Small Targets Detection [92.56025546608699]
  IrisNetは、入力赤外線画像ステータスに検出戦略を適用する、新しいメタ学習フレームワークである。 提案手法は,赤外線画像特徴量とデコーダパラメータ全体の動的マッピングを確立する。 NUDT-SIRST、NUAA-SIRST、IRSTD-1Kデータセットの実験は、我々のIrisNetの優位性を示している。
  論文  参考訳（メタデータ） (2025-11-25T13:53:54Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
  イベントカメラは例外的な時間分解能と範囲(モード)を提供する RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
  論文  参考訳（メタデータ） (2025-10-22T13:15:13Z)
• Graph-Based Uncertainty Modeling and Multimodal Fusion for Salient Object Detection [12.743278093269325]
  動的不確実性伝播とマルチモーダル協調推論ネットワーク(DUP-MCRNet)を提案する。 DUGCは空間意味距離に基づいて構築されたスパースグラフを通じて層間の不確実性を伝播するように設計されている。 MCFは学習可能なモダリティゲーティングウェイトを使用して、RGB、深さ、エッジの特徴の注意マップを重み付けする。
  論文  参考訳（メタデータ） (2025-08-28T04:31:48Z)
• DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing [55.366556355538954]
  本稿では,動的フレームワーク内で従来のスパース再構築を再現する動的反復収縮閾値ネットワーク(DISTA-Net)を提案する。 DISTA-Netは、密接な空間を持つ赤外線小ターゲットのアンミックスのために特別に設計された最初のディープラーニングモデルである。 私たちはこの分野におけるさらなる研究を促進するために、最初のオープンソースエコシステムを確立しました。
  論文  参考訳（メタデータ） (2025-05-25T13:52:00Z)
• Reduced Order Modeling with Shallow Recurrent Decoder Networks [5.686433280542813]
  SHRED-ROMは、数値的に不安定な逆近似を符号化する堅牢な復号のみの戦略である。 SHRED-ROMは、固定センサや移動センサの限られた値から、新しいパラメータ値の状態を正確に再構成する。
  論文  参考訳（メタデータ） (2025-02-15T23:41:31Z)
• Learning Dynamic Local Context Representations for Infrared Small Target Detection [5.897465234102489]
  複雑な背景、低信号/クラッタ比、ターゲットサイズと形状の違いにより、赤外線小目標検出(ISTD)は困難である。 ISTDの動的局所文脈表現を学習する新しい手法であるLCRNetを提案する。 1.65Mのパラメータだけで、LCRNetは最先端(SOTA)のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-23T09:06:27Z)
• Neural Spatial-Temporal Tensor Representation for Infrared Small Target Detection [3.7038542578642724]
  赤外線小ターゲット検出のためのニューラル表現時空間モデル(NeurSTT)を提案する。 NeurSTTは、背景近似における空間的時間的相関を強化し、教師なしの方法でターゲット検出をサポートする。 様々なデータセットの視覚的および数値的な結果から,提案手法は256倍256$のシーケンスで最適以下の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-23T05:46:08Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)

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。