論文の概要: SVH-BD : Synthetic Vegetation Hyperspectral Benchmark Dataset for Emulation of Remote Sensing Images

• arxiv url: http://arxiv.org/abs/2603.28390v1
• Date: Mon, 30 Mar 2026 13:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.403235
• Title: SVH-BD : Synthetic Vegetation Hyperspectral Benchmark Dataset for Emulation of Remote Sensing Images
• Title（参考訳）: SVH-BD : リモートセンシング画像のエミュレーションのための合成植生ハイパースペクトルベンチマークデータセット
• Authors: Chedly Ben Azizi, Claire Guilloteau, Gilles Roussel, Matthieu Puigt,
• Abstract要約: このデータセットは、画素レベルの植生特性マップと組み合わせた合成ハイパースペクトル画像立方体10,915個を含む。 それぞれの超スペクトル立方体は10nm解像度で400-2500nmの211バンドと64×64ピクセルの固定空間配置を持つ。 このデータセットは、東アフリカ、北フランス、東インド、南スペインの4つの生態学的に多様な地域をカバーしている。
• 参考スコア（独自算出の注目度）: 2.607903424600012
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This dataset provides a large collection of 10,915 synthetic hyperspectral image cubes paired with pixel-level vegetation trait maps, designed to support research in radiative transfer emulation, vegetation trait retrieval, and uncertainty quantification. Each hyperspectral cube contains 211 bands spanning 400--2500 nm at 10 nm resolution and a fixed spatial layout of 64 \times 64 pixels, offering continuous simulated surface reflectance spectra suitable for emulator development and machine-learning tasks requiring high spectral detail. Vegetation traits were derived by inverting Sentinel-2 Level-2A surface reflectance using a PROSAIL-based lookup-table approach, followed by forward PROSAIL simulations to generate hyperspectral reflectance under physically consistent canopy and illumination conditions. The dataset covers four ecologically diverse regions -- East Africa, Northern France, Eastern India, and Southern Spain -- and includes 5th and 95th percentile uncertainty maps as well as Sentinel-2 scene classification layers. This resource enables benchmarking of inversion methods, development of fast radiative transfer emulators, and studies of spectral--biophysical relationships under controlled yet realistic environmental variability.
• Abstract（参考訳）: このデータセットは10,915個の合成ハイパースペクトル画像立方体と画素レベルの植生特性マップを組み合わせ、放射能伝達エミュレーション、植生特性の検索、不確実性定量化の研究を支援するために設計された。 それぞれの超スペクトル立方体は10nm解像度で400-2500nmの211バンドと64×64ピクセルの固定空間レイアウトを有し、エミュレータ開発に適した連続的な表面反射スペクトルと高スペクトル細部を必要とする機械学習タスクを提供する。 植生特性は, ProSAILをベースとしたルックアップテーブル法によるSentinel-2 Level-2A表面反射率の逆転と, 物理的に一貫したキャノピーおよび照明条件下での高スペクトル反射率を生成するPROSAILシミュレーションによって導出された。 このデータセットは、東アフリカ、北フランス、東インド、南スペインの4つの生態学的に多様な地域をカバーする。 このリソースは、インバージョン手法のベンチマーク、高速放射移動エミュレータの開発、および制御されながら現実的な環境変動下でのスペクトル-生体物理関係の研究を可能にする。

関連論文リスト

• A Latent Representation Learning Framework for Hyperspectral Image Emulation in Remote Sensing [2.607903424600012]
  本稿では,ハイパースペクトルデータの潜在表現を学習するハイパースペクトルエミュレーションのための潜在表現に基づくフレームワークを提案する。 提案手法は、スペクトルレベルと空間スペクトルエミュレーションの両方をサポートし、直接1段階の定式化や2段階の戦略で訓練することができる。 PROSAILシミュレーション植生データとSentinel-3 OLCI画像による実験により,本手法が古典的回帰型エミュレータより優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-23T12:32:09Z)
• S2ML: Spatio-Spectral Mutual Learning for Depth Completion [56.26679539288063]
  RGB-Dカメラで撮影した生深度画像は、弱い反射、境界影、アーティファクトによって不完全な深度値に悩まされることが多い。 既存の手法では、画像領域の深度補完によってこの問題に対処するが、それらは生の深度画像の物理的特性を見落としている。 本研究では,空間領域と周波数領域の両方の利点を両立させるため,S2ML(Spatio-Spectral Mutual Learning framework)を提案する。
  論文  参考訳（メタデータ） (2025-11-08T15:01:55Z)
• MaterialRefGS: Reflective Gaussian Splatting with Multi-view Consistent Material Inference [83.38607296779423]
  より物理的な環境モデルを用いた多視点一貫した物質推定がガウススプラッティングによる正確な反射の学習の鍵となることを示す。 本手法は照明と幾何学の両方を忠実に復元し,新しいビュー合成における最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-10-13T13:29:20Z)
• SpecSwin3D: Generating Hyperspectral Imagery from Multispectral Data via Transformer Networks [0.0]
  マルチスペクトル入力からハイパースペクトル画像を生成する変換器モデルSpecSwin3Dを提案する。 具体的には、SpecSwin3Dは5つのマルチスペクトルバンドを入力として、同じ空間分解能で224個のハイパースペクトルバンドを再構成する。 本モデルでは,PSNRが35.82dB,SAMが2.40deg,SSIMが0.96,PSNRが5.6dB,ERGASが半分以上,MHF-Netが5.6dBであった。
  論文  参考訳（メタデータ） (2025-09-07T16:18:31Z)
• TerraMAE: Learning Spatial-Spectral Representations from Hyperspectral Earth Observation Data via Adaptive Masked Autoencoders [1.1999555634662633]
  多様な地理空間解析のための空間スペクトル埋め込みを高度に代表的に学習するために設計された新しいHSI符号化フレームワークTerraMAEを紹介する。 高忠実度画像再構成における空間-スペクトル情報保存によるその効果を実証する。
  論文  参考訳（メタデータ） (2025-08-09T15:32:22Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• 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)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)

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。