論文の概要: Euler-inspired Decoupling Neural Operator for Efficient Pansharpening
- arxiv url: http://arxiv.org/abs/2604.12463v1
- Date: Tue, 14 Apr 2026 08:49:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.351097
- Title: Euler-inspired Decoupling Neural Operator for Efficient Pansharpening
- Title（参考訳）: 効率よいパンシャーピングのためのオイラー型デカップリングニューラル演算子
- Authors: Anqi Zhu, Mengting Ma, Yizhen Jiang, Xiangdong Li, Kai Zheng, Jiaxin Li, Wei Zhang,
- Abstract要約: Pansharpeningは、高分解能マルチスペクトル(HR-MS)画像を、低分解能マルチスペクトル(LR-MS)画像のスペクトル情報とパンクロマティック(PAN)画像の空間テクスチャを融合させて合成することを目的としている。
周波数領域における連続関数写像としてパンシャルペンを再定義する物理に着想を得たフレームワークであるEuler-inspired Decoupling Neural Operator (EDNO)を提案する。
- 参考スコア（独自算出の注目度）: 25.275895631647035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pansharpening aims to synthesize high-resolution multispectral (HR-MS) images by fusing the spatial textures of panchromatic (PAN) images with the spectral information of low-resolution multispectral (LR-MS) images. While recent deep learning paradigms, especially diffusion-based operators, have pushed the performance boundaries, they often encounter spectral-spatial blurring and prohibitive computational costs due to their stochastic nature and iterative sampling. In this paper, we propose the Euler-inspired Decoupling Neural Operator (EDNO), a physics-inspired framework that redefines pansharpening as a continuous functional mapping in the frequency domain. Departing from conventional Cartesian feature processing, our EDNO leverages Euler's formula to transform features into a polar coordinate system, enabling a novel explicit-implicit interaction mechanism. Specifically, we develop the Euler Feature Interaction Layer (EFIL), which decouples the fusion task into two specialized modules: 1) Explicit Feature Interaction Module, utilizing a linear weighting scheme to simulate phase rotation for adaptive geometric alignment; and 2) Implicit Feature Interaction Module, employing a feed-forward network to model spectral distributions for superior color consistency. By operating in the frequency domain, EDNO inherently captures global receptive fields while maintaining discretization-invariance. Experimental results on the three datasets demonstrate that EDNO offers a superior efficiency-performance balance compared to heavyweight architectures.
- Abstract（参考訳）: Pansharpeningは、高分解能マルチスペクトル(HR-MS)画像を、低分解能マルチスペクトル(LR-MS)画像のスペクトル情報とパンクロマティック(PAN)画像の空間テクスチャを融合させて合成することを目的としている。
近年のディープラーニングパラダイム(特に拡散型演算子)は性能境界を推し進めているが、確率的な性質と反復的なサンプリングのため、スペクトル空間のぼやけや禁止的な計算コストに遭遇することが多い。
本稿では,周波数領域における連続関数写像としてパンシャルペニングを再定義する物理に着想を得たEuler-inspired Decoupling Neural Operator (EDNO)を提案する。
従来のカルト的特徴処理とは別に、我々のEDNOはオイラーの公式を利用して特徴を極座標系に変換し、新しい明示的かつ単純な相互作用機構を実現する。
具体的には、融合タスクを2つの特別なモジュールに分離するEuler Feature Interaction Layer(EFIL)を開発する。
1)適応幾何アライメントのための位相回転をシミュレートする線形重み付け方式を用いた明示的特徴相互作用モジュール
2) インプリシット・フィーチャー・インタラクション・モジュールは、フィードフォワード・ネットワークを用いてスペクトル分布をモデル化し、色整合性を向上する。
周波数領域で操作することで、EDNOは本質的に、離散化不変性を維持しながら、グローバルな受容領域をキャプチャする。
3つのデータセットの実験結果から,EDNOはヘビー級アーキテクチャよりも優れた効率と性能のバランスを提供することが示された。
関連論文リスト
- Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。
我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
論文 参考訳（メタデータ） (2026-02-18T10:20:50Z) - ThermoSplat: Cross-Modal 3D Gaussian Splatting with Feature Modulation and Geometry Decoupling [11.169420448510095]
ThermoSplatは、アクティブな特徴変調と適応幾何学的デカップリングにより、スペクトル認識の深い再構成を可能にする新しいフレームワークである。
RGBT-Scenesデータセットの実験により、ThermoSplatは可視スペクトルと熱スペクトルの両方にわたって最先端のレンダリング品質を達成することが示された。
論文 参考訳（メタデータ） (2026-01-22T12:24:26Z) - Fourier-RWKV: A Multi-State Perception Network for Efficient Image Dehazing [26.57698394898644]
マルチステート・パーセプション・パラダイムに基づく新しい脱ハージング・フレームワークを提案する。
Fourier-RWKVはさまざまなヘイズシナリオにまたがって最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2025-12-09T01:35:56Z) - Spatial-Spectral Binarized Neural Network for Panchromatic and Multi-spectral Images Fusion [25.15016853820625]
ディープラーニングモデルは優れたパフォーマンスを達成したが、しばしば計算の複雑さが伴う。
本稿では,2次ニューラルネットワーク(BNN)をパンシャーピングに適用する可能性について検討する。
一連のS2B-Convは、S2BNetと呼ばれるパンシャーピングのための新しいバイナリネットワークを形成する。
論文 参考訳（メタデータ） (2025-09-27T14:10:51Z) - PDEfuncta: Spectrally-Aware Neural Representation for PDE Solution Modeling [26.573976229483442]
暗黙的ニューラル表現の各層に高周波情報を注入する新しい変調手法を提案する。
これにより、低次元潜在ベクトルを用いた多重解場のコンパクトかつ正確な表現が可能となる。
PDEfunctaは,マルチモーダルな解場を学習し,新しいタスクへの一般化を支援するメタラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-06-15T09:41:25Z) - PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。
この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
論文 参考訳（メタデータ） (2025-04-27T07:21:42Z) - FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
本稿では,潜時拡散モデルにおける周波数制御について検討する。
本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。
FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
論文 参考訳（メタデータ） (2025-04-02T22:03:11Z) - 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) - GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from
Multi-view Images [79.39247661907397]
本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。
具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
論文 参考訳（メタデータ） (2023-03-24T03:32:02Z)
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。