論文の概要: Looking into a Pixel by Nonlinear Unmixing -- A Generative Approach

• arxiv url: http://arxiv.org/abs/2604.01141v1
• Date: Wed, 01 Apr 2026 16:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.104268
• Title: Looking into a Pixel by Nonlinear Unmixing -- A Generative Approach
• Title（参考訳）: 非線形アンミックスによるピクセルの探索 -- 生成的アプローチ
• Authors: Maofeng Tang, Hairong Qi,
• Abstract要約: 双方向GANフレームワークを用いた可逆混合混合プロセスを開発した。 提案手法を線形拘束型CycleGANアンミックスネット(LCGU)と呼ぶ。 実験結果から,提案したLCGUネットは,異なるデータセット間で安定かつ競争的な性能を示すことが示された。
• 参考スコア（独自算出の注目度）: 4.008552520886025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the large footprint of pixels in remote sensing imagery, hyperspectral unmixing (HU) has become an important and necessary procedure in hyperspectral image analysis. Traditional HU methods rely on a prior spectral mixing model, especially for nonlinear mixtures, which has largely limited the performance and generalization capacity of the unmixing approach. In this paper, we address the challenging problem of hyperspectral nonlinear unmixing (HNU) without explicit knowledge of the mixing model. Inspired by the principle of generative models, where images of the same distribution can be generated as that of the training images without knowing the exact probability distribution function of the image, we develop an invertible mixing-unmixing process via a bi-directional GAN framework, constrained by both the cycle consistency and the linkage between linear and nonlinear mixtures. The combination of cycle consistency and linear linkage provides powerful constraints without requiring an explicit mixing model. We refer to the proposed approach as the linearly-constrained CycleGAN unmixing net, or LCGU net. Experimental results indicate that the proposed LCGU net exhibits stable and competitive performance across different datasets compared with other state-of-the-art model-based HNU methods.
• Abstract（参考訳）: リモートセンシング画像における画素のフットプリントが大きいため、ハイパースペクトルアンミックス(HU)は、ハイパースペクトル画像解析において重要かつ必要な手順となっている。 従来のHU法は従来のスペクトル混合モデルに依存しており、特に非線形混合は非混合法の性能と一般化能力に大きく制限されている。 本稿では,ハイパスペクトル非線形アンミキシング(HNU)における混合モデルの明示的な知識のない課題に対処する。 画像の正確な確率分布関数を知らずに、同じ分布の画像をトレーニング画像として生成できる生成モデルの原理に着想を得て、線形混合と非線形混合の双方のサイクル一貫性に制約された双方向GANフレームワークを介して、可逆混合混合プロセスを開発する。 サイクル一貫性と線形結合の組み合わせは、明示的な混合モデルを必要としない強力な制約を提供する。 提案手法を線形拘束型CycleGANアンミックスネット(LCGU)と呼ぶ。 実験結果から,提案したLCGUネットは,他の最先端モデルベースHNU法と比較して,異なるデータセット間で安定かつ競争的な性能を示すことが示された。

関連論文リスト

• Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery [2.8516007089651043]
  ハイパースペクトルアンミキシング(Hyperspectral unmixing)は、材料シグネチャ(エンドメンバーと呼ばれる)と対応する割合(アブリダンスを参照)を推定することを目的としている。 本研究は,高スペクトル画像に対するスペーサシティと全変動(TV)制約付き多層リニアアンミキシング(STVMLU)と呼ばれる新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2025-08-05T12:50:55Z)
• Gaussian Mixture Flow Matching Models [63.092956669059824]
  拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。 離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。 本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:42Z)
• Deep Nonlinear Hyperspectral Unmixing Using Multi-task Learning [0.0]
  本稿では,ディープラーニングに基づく非教師なし非線形アンミックス手法を提案する。 2つのブランチを連携させる補助的なタスクを導入します。 この手法はオーバーフィッティングを緩和する正規化器と見なすことができ、ネットワーク全体の性能が向上する。
  論文  参考訳（メタデータ） (2024-02-05T02:52:25Z)
• Pixel-to-Abundance Translation: Conditional Generative Adversarial Networks Based on Patch Transformer for Hyperspectral Unmixing [12.976092623812757]
  スペクトルアンミキシングはハイパースペクトル画像処理において重要な課題である。 汎用的アンミックスフレームワークとしてハイパースペクトル条件生成逆ネットワーク(HyperGAN)を提案する。 合成データと実際のハイパースペクトルデータの実験は、最先端の競合他社と比較して印象的な結果が得られる。
  論文  参考訳（メタデータ） (2023-12-20T15:47:21Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Nonlinear Hyperspectral Unmixing based on Multilinear Mixing Model using Convolutional Autoencoders [6.867229549627128]
  リフレクションに基づく教師なしアンミキシングのための新しいオートエンコーダネットワークを提案する。 合成データと実データの両方を用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-14T18:11:52Z)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)
• Mixture-Net: Low-Rank Deep Image Prior Inspired by Mixture Models for Spectral Image Recovery [22.0246327137227]
  本稿では,スペクトル画像復元問題に対する非データ駆動型ディープニューラルネットワークを提案する。 提案手法はMixture-Netと呼ばれ,ネットワークを通じて事前情報を暗黙的に学習する。 実験により、MixtureNetは、アーキテクチャの解釈可能性を利用して、回復品質における最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-05T21:32:25Z)

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。