論文の概要: HyVIC: A Metric-Driven Spatio-Spectral Hyperspectral Image Compression Architecture Based on Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2603.26468v1
• Date: Fri, 27 Mar 2026 14:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.544375
• Title: HyVIC: A Metric-Driven Spatio-Spectral Hyperspectral Image Compression Architecture Based on Variational Autoencoders
• Title（参考訳）: HyVIC: 変分オートエンコーダに基づく計量駆動比スペクトルハイパースペクトル画像圧縮アーキテクチャ
• Authors: Martin Hermann Paul Fuchs, Behnood Rasti, Begüm Demir,
• Abstract要約: ハイパースペクトル-変動ハイパースペクトル画像圧縮アーキテクチャ(HyVIC)を導入する。 HyVICは、1)調整可能なスペクトルエンコーダ、2)スペクトルハイパーコーダ、3)スペクトルハイパーデコーダ、4)調整可能なデコーダ-デコーダの4つの主要コンポーネントから構成される。 2つのベンチマークデータセットの実験では、提案モデルの有効性が示されている。
• 参考スコア（独自算出の注目度）: 8.347662730632045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of hyperspectral data archives in remote sensing (RS) necessitates effective compression methods for storage and transmission. Recent advances in learning-based hyperspectral image (HSI) compression have significantly enhanced both reconstruction fidelity and compression efficiency. However, existing methods typically adapt variational image compression models designed for natural images, without adequately accounting for the distinct spatio-spectral redundancies inherent in HSIs. In particular, they lack explicit architectural designs to balance spatial and spectral feature learning, limiting their ability to effectively leverage the unique characteristics of hyperspectral data. To address this issue, we introduce spatio-spectral variational hyperspectral image compression architecture (HyVIC). The proposed model comprises four main components: 1) adjustable spatio-spectral encoder; 2) spatio-spectral hyperencoder; 3) spatio-spectral hyperdecoder; and 4) adjustable spatio-spectral decoder. We demonstrate that the trade-off between spatial and spectral feature learning is crucial for the reconstruction fidelity, and therefore present a metric-driven strategy to systematically select the hyperparameters of the proposed model. Extensive experiments on two benchmark datasets demonstrate the effectiveness of the proposed model, achieving high spatial and spectral reconstruction fidelity across a wide range of compression ratios (CRs) and improving the state of the art by up to 4.66dB in terms of BD-PSNR. Based on our results, we offer insights and derive practical guidelines to guide future research directions in learning-based variational HSI compression. Our code and pre-trained model weights are publicly available at https://git.tu-berlin.de/rsim/hyvic .
• Abstract（参考訳）: リモートセンシング(RS)におけるハイパースペクトルデータアーカイブの急速な成長は、記憶と送信に効果的な圧縮方法を必要とする。 近年の学習ベースハイパースペクトル画像(HSI)圧縮は,再構成忠実度と圧縮効率を大きく向上させた。 しかし、既存の方法では、自然画像用に設計された変動画像圧縮モデルに適応することが多い。 特に、空間的特徴学習とスペクトル的特徴学習のバランスをとるための明示的なアーキテクチャ設計は欠如しており、ハイパースペクトルデータのユニークな特性を効果的に活用する能力を制限している。 この問題に対処するために,比スペクトル変動ハイパースペクトル画像圧縮アーキテクチャ(HyVIC)を提案する。 提案モデルは4つの主成分から構成される。 1) 調整可能なスパロスペクトルエンコーダ 2) スペクトルハイパーエンコーダ 3)スポーススペクトルハイパーデコーダ,及び 4) 調整可能なスペクトルデコーダ。 本研究では,空間的特徴学習とスペクトル的特徴学習のトレードオフが再現性に不可欠であることを示し,提案モデルのハイパーパラメータを体系的に選択するための計量駆動型戦略を提案する。 2つのベンチマークデータセットの大規模な実験は、提案モデルの有効性を示し、BD-PSNRの観点からは、広範囲の圧縮比 (CRs) にわたる空間的およびスペクトル的再構成忠実性を実現し、最先端の4.66dBまで改善した。 この結果に基づき,学習に基づく変分HSI圧縮における今後の研究方向の指針として,洞察と実践的ガイドラインを導出する。 私たちのコードと事前訓練されたモデルの重み付けはhttps://git.tu-berlin.de/rsim/hyvic で公開されています。

関連論文リスト

• 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)
• Total Variation Subgradient Guided Image Fusion for Dual-Camera CASSI System [3.414706880536149]
  分光画像技術は、スペクトル、空間、時間分解能のバランスをとる上で、長年にわたって根本的な課題に直面してきた。 従来のモデルベースの手法は、手作りの固有の画像に頼っているため、限られた性能を示す。 本稿では,全変動(TV)下降理論を統合したデュアルカメラCASSI再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T16:57:06Z)
• Adjustable Spatio-Spectral Hyperspectral Image Compression Network [8.347662730632045]
  Adjustable Hyperspectral Image Compression Network (HyCASS) HyCASSは、スペクトル次元と空間次元の両方で調整可能なHSI圧縮のために設計された学習ベースモデルである。 3つのHSIベンチマークデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-07-31T11:26:04Z)
• Mixed-granularity Implicit Representation for Continuous Hyperspectral Compressive Reconstruction [16.975538181162616]
  本研究では,暗黙的ニューラル表現を用いた連続型ハイパースペクトル画像再構成法を提案する。 暗黙的な神経表現を活用することで、MGIRフレームワークは任意の望まれる空間スペクトル分解能の再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-17T03:37:42Z)
• Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
  デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。 JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。 本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
  論文  参考訳（メタデータ） (2025-03-14T17:01:17Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• 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。