論文の概要: Physics-Informed Untrained Learning for RGB-Guided Superresolution Single-Pixel Hyperspectral Imaging

• arxiv url: http://arxiv.org/abs/2604.03572v1
• Date: Sat, 04 Apr 2026 03:48:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.648857
• Title: Physics-Informed Untrained Learning for RGB-Guided Superresolution Single-Pixel Hyperspectral Imaging
• Title（参考訳）: 物理インフォームド・アントレーニングラーニングによるRGB誘導超高分解能単結晶ハイパースペクトルイメージング
• Authors: Hao Zhang, Bilige Xu, Lichen Wei, Xu Ma, Wenyi Ren,
• Abstract要約: SPI(Single-Pixel Imaging)は、高スペクトル取得への費用対効果を提供するが、非常に低いサンプリングレートで高忠実度空間およびスペクトルの詳細の回復に苦慮している。 本稿では、トレーニングされていないニューラルネットワークとRGBガイダンスを併用した、超高スペクトル再構成と超解像のためのエンドツーエンド物理インフォームドフレームワークを提案する。 提案手法は, 再現精度とスペクトル忠実度の両方において, 最先端のアルゴリズムを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 8.236676323458687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-pixel imaging (SPI) offers a cost-effective route to hyperspectral acquisition but struggles to recover high-fidelity spatial and spectral details under extremely low sampling rates, a severely ill-posed inverse problem. While deep learning has shown potential, existing data-driven methods demand large-scale pretraining datasets that are often impractical in hyperspectral imaging. To overcome this limitation, we propose an end-to-end physics-informed framework that leverages untrained neural networks and RGB guidance for joint hyperspectral reconstruction and super-resolution without any external training data. The framework comprises three physically grounded stages: (1) a Regularized Least-Squares method with RGB-derived Grayscale Priors (LS-RGP) that initializes the solution by exploiting cross-modal structural correlations; (2) an Untrained Hyperspectral Recovery Network (UHRNet) that refines the reconstruction through measurement consistency and hybrid regularization; and (3) a Transformer-based Untrained Super-Resolution Network (USRNet) that upsamples the spatial resolution via cross-modal attention, transferring high-frequency details from the RGB guide. Extensive experiments on benchmark datasets demonstrate that our approach significantly surpasses state-of-the-art algorithms in both reconstruction accuracy and spectral fidelity. Moreover, a proof-of-concept experiment using a physical single-pixel imaging system validates the framework's practical applicability, successfully reconstructing a 144-band hyperspectral data cube at a mere 6.25% sampling rate. The proposed method thus provides a robust, data-efficient solution for computational hyperspectral imaging.
• Abstract（参考訳）: 単画素イメージング(SPI)は、高スペクトル取得へのコスト効率のよい経路を提供するが、非常に低いサンプリングレートで高忠実度空間およびスペクトルの詳細を回復するのに苦労している。 ディープラーニングは潜在的な可能性を示しているが、既存のデータ駆動方式では、ハイパースペクトルイメージングでは現実的ではない大規模な事前トレーニングデータセットを必要とする。 この制限を克服するために、トレーニングされていないニューラルネットワークとRGBガイダンスを利用して、外部のトレーニングデータなしで、関節のハイパースペクトル再構成と超解像を行うエンドツーエンドの物理インフォームドフレームワークを提案する。 本フレームワークは,(1)RGB由来のLast-Squares法とLS-RGP法と,(2)測定整合性およびハイブリッド正則化による再構成を改良するuntrained Hyperspectral Recovery Network(UHRNet)と,(3)トランスフォーマーをベースとしたuntrained Super-Resolution Network(USRNet)の3段階からなる。 ベンチマークデータセットの大規模な実験により、我々の手法は再現精度とスペクトル忠実度の両方において最先端のアルゴリズムを大幅に上回っていることが示された。 さらに、物理単画素イメージングシステムを用いた概念実証実験により、144バンドのハイパースペクトルデータキューブをわずか6.25%のサンプリングレートで再構成することに成功し、フレームワークの実用性を検証する。 提案手法は,計算ハイパースペクトルイメージングのための堅牢で高効率なソリューションを提供する。

関連論文リスト

• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• 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)
• Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
  カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T06:35:59Z)
• Deep Amended Gradient Descent for Efficient Spectral Reconstruction from Single RGB Images [42.26124628784883]
  本稿では、AGD-Netという、コンパクトで効率的でエンドツーエンドの学習ベースのフレームワークを提案する。 まず、古典的勾配降下アルゴリズムに基づいて問題を明示的に定式化する。 AGD-Netは、平均1.0dB以上のリコンストラクション品質を向上させることができる。
  論文  参考訳（メタデータ） (2021-08-12T05:54:09Z)
• Spatial-Spectral Feedback Network for Super-Resolution of Hyperspectral Imagery [11.76638109321532]
  ハイパースペクトル画像における高次元および複雑なスペクトルパターンは、バンド間の空間情報とスペクトル情報の同時探索を困難にする。 利用可能なハイパースペクトルトレーニングサンプルの数は極めて少なく、ディープニューラルネットワークのトレーニング時にオーバーフィットする可能性がある。 グローバルスペクトル帯域からの高レベル情報を持つ局所スペクトル帯域間の低レベル表現を洗練するための新しい空間スペクトルフィードバックネットワーク(ssfn)を提案する。
  論文  参考訳（メタデータ） (2021-03-07T13:28:48Z)
• Deep Iterative Residual Convolutional Network for Single Image Super-Resolution [31.934084942626257]
  我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。 残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。 トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
  論文  参考訳（メタデータ） (2020-09-07T12:54:14Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• Hyperspectral Image Super-resolution via Deep Spatio-spectral Convolutional Neural Networks [32.10057746890683]
  本稿では,高分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させる,深部畳み込みニューラルネットワークの簡易かつ効率的なアーキテクチャを提案する。 提案したネットワークアーキテクチャは,近年の最先端ハイパースペクトル画像の超解像化手法と比較して,最高の性能を達成している。
  論文  参考訳（メタデータ） (2020-05-29T05:56:50Z)
• 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)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。