Fugu-MT 論文翻訳(概要): Hyperspectral Unmixing Hierarchies

論文の概要: Hyperspectral Unmixing Hierarchies

arxiv url: http://arxiv.org/abs/2604.16969v1
Date: Sat, 18 Apr 2026 11:34:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.266562
Title: Hyperspectral Unmixing Hierarchies
Title（参考訳）: ハイパースペクトルアンミックス階層
Authors: Joseph L. Garrett, P. S. Vishnu, Pauliina Salmi, Daniela Lupu, Nitesh Kumar Singh, Ion Necoara, Tor Arne Johansen,
Abstract要約: アンミキシング(Unmixing)は、超スペクトル画像において、エンドメンバーと呼ばれる様々な構成成分の空間分布とスペクトルの詳細を明らかにする。本稿では、階層的アンミックスは、非負の行列係数化に階層的アブリダンス和制約を課すことによって定義される。バイナリ線形Unmixing Tactile Hierarchies (BLUTH) は、単純なネットワークアーキテクチャで階層的Unmixing問題を解決する。
参考スコア（独自算出の注目度）: 2.755779382573502
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unmixing reveals the spatial distribution and spectral details of different constituents, called endmembers, in a hyperspectral image. Because unmixing has limited ground truth requirements, can accommodate mixed pixels, and is closely tied to light propagation, it is a uniquely powerful tool for analyzing hyperspectral images. However, spectral variability inhibits unmixing performance, the proper way to determine the number of endmembers is ambiguous, and the clarity of the endmembers degrades as more are included. Hierarchical structure is a possible solution to all three problems. Here, hierarchical unmixing is defined by imposing a hierarchical abundance sum constraint on Deep Nonnegative Matrix Factorization. Binary Linear Unmixing Tactile Hierarchies (BLUTHs) solve the hierarchical unmixing problem with a simple network architecture. Sparsity modulation unmixing growth tailors the topology of a BLUTH to each scene. The structure imposed by BLUTHs allows endmembers with varying levels of spectral contrast to be revealed, mitigating the challenge of spectral variability. The performance of BLUTHs exceeds state-of-the-art unmixing algorithms on laboratory scenes, particularly with regard to abundance estimation, while their performance remains competitive on remote sensing scenes. In addition, ocean color unmixing by BLUTHs is demonstrated on hyperspectral scenes from the HYPSO and PACE satellites.
Abstract（参考訳）: アンミキシング(Unmixing)は、超スペクトル画像において、エンドメンバーと呼ばれる様々な構成成分の空間分布とスペクトルの詳細を明らかにする。アンミックスは地上の真理条件が限られており、混合画素に対応でき、光伝播と密接に結びついているため、ハイパースペクトル画像を分析するためのユニークな強力なツールである。しかし、スペクトルのばらつきは未混合性能を阻害し、エンドメンバー数を決定する適切な方法が曖昧であり、エンドメンバーの明瞭度がさらに大きくなるにつれて劣化する。階層構造は3つの問題すべてに対する可能な解決策である。ここで、階層的アンミックスは、Deep Non negative Matrix Factorization に階層的存在量和制約を課すことによって定義される。バイナリ線形Unmixing Tactile Hierarchies (BLUTH) は、単純なネットワークアーキテクチャで階層的Unmixing問題を解決する。スパーシティ変調未混合成長は、各シーンへのBLUTHのトポロジーを調整します。 BLUTHによって課される構造により、スペクトルのコントラストのレベルが異なるエンドメンバーが明らかになり、スペクトル変動性の課題が軽減される。 BLUTHの性能は、実験室のシーンにおける最先端のアンミックスアルゴリズムよりも優れており、特に多量推定では、リモートセンシングシーンでは競争力がある。さらに、HIPSO衛星とPACE衛星の超スペクトルのシーンでは、BLUTHによる海色解離が実証されている。

関連論文リスト

λSplit: Self-Supervised Content-Aware Spectral Unmixing for Fluorescence Microscopy [6.057692339318057]
蛍光顕微鏡では、スペクトルアンミキシングは、混合蛍光の放射を捉えたスペクトル画像から、個々の蛍光の濃度を回収することを目的としている。 Splitは、階層的変分オートエンコーダを用いて濃度マップ上の条件分布を学習する物理インフォームド深部生成モデルである。 Splitは、標準共焦点顕微鏡によって生成されたスペクトルデータと互換性があり、特別なハードウェア修正なしにすぐに採用することができる。
論文参考訳（メタデータ） (2026-03-24T18:42:27Z)
SpectraMorph: Structured Latent Learning for Self-Supervised Hyperspectral Super-Resolution [0.0]
ハイパースペクトルセンサーは1ピクセルあたりの高密度スペクトルをキャプチャするが、空間分解能は低い。マルチスペクトル、RGB、パンクロマチックカメラなどの共登録のセンサーは、高解像度の空間的詳細を提供する。物理誘導型自己教師型核融合フレームワークSpectraMorphを提案する。
論文参考訳（メタデータ） (2025-10-23T17:59:26Z)
Adaptive Stereo Depth Estimation with Multi-Spectral Images Across All Lighting Conditions [58.88917836512819]
本稿では,立体深度推定を取り入れた新しいフレームワークを提案し,正確な幾何学的制約を強制する。照明の劣化がステレオマッチングに与える影響を軽減するために,劣化マスキングを導入する。提案手法は,Multi-Spectral Stereo(MS2)データセット上でのSOTA(State-of-the-art)性能を実現する。
論文参考訳（メタデータ） (2024-11-06T03:30:46Z)
QMambaBSR: Burst Image Super-Resolution with Query State Space Model [55.56075874424194]
バースト超解像度は、複数のバースト低解像度フレームからサブピクセル情報を融合することにより、高画質でよりリッチな細部で高解像度の画像を再構成することを目的としている。 BusrtSRにおいて鍵となる課題は、高周波ノイズ障害を同時に抑制しつつ、ベースフレームの補完的なサブピクセルの詳細を抽出することである。本稿では,Query State Space Model (QSSM) とAdaptive Up-Sampling Module (AdaUp) を組み合わせた新しいQuery Mamba Burst Super-Resolution (QMambaBSR) ネットワークを紹介する。
論文参考訳（メタデータ） (2024-08-16T11:15:29Z)
Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
論文参考訳（メタデータ） (2024-07-22T01:20:32Z)
Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure [1.491109220586182]
本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
論文参考訳（メタデータ） (2022-04-10T09:37:41Z)
Hyperspectral Pixel Unmixing with Latent Dirichlet Variational Autoencoder [2.3931689873603603]
本稿では,ハイパースペクトル画素のアンミックス方式を提案する。提案手法は,変分オートエンコーダ設定における存在推定と終端抽出の問題を解く。提案するモデルの転送学習能力を,CuupriteとOnTech-HSI-Syn-21データセットで示す。
論文参考訳（メタデータ） (2022-03-02T17:38:44Z)
Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution [82.59267937569213]
高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
論文参考訳（メタデータ） (2021-08-31T02:13:00Z)
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)
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。