論文の概要: Self-Supervised Super-Resolution for Sentinel-5P Hyperspectral Images
- arxiv url: http://arxiv.org/abs/2604.17652v1
- Date: Sun, 19 Apr 2026 22:51:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.619693
- Title: Self-Supervised Super-Resolution for Sentinel-5P Hyperspectral Images
- Title（参考訳）: センチネル-5Pハイパースペクトル画像の自己超解像化
- Authors: Hyam Omar Ali, Antoine Crosnier, Romain Abraham, Baptiste Combelles, Fabrice Jégou, Bruno Galerne,
- Abstract要約: 本研究では,高分解能基底真理を伴わないトレーニングを可能にする,センチネル5P(S5P)のための自己監督型超スペクトルSRフレームワークを提案する。
複数のバンドにまたがる結果は、自己教師付きモデルが教師付き手法に匹敵する性能を達成することを示している。
- 参考スコア（独自算出の注目度）: 2.4629531282150876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sentinel-5P (S5P) plays a critical role in atmospheric monitoring; however, its spatial resolution limits fine-scale analysis. Existing super-resolution (SR) approaches rely on supervised learning with synthetic low-resolution (LR) data, since true high-resolution (HR) data do not exist, limiting their applicability to real observations. We propose a self-supervised hyperspectral SR framework for S5P that enables training without HR ground truth. The method combines Stein's Unbiased Risk Estimator (SURE) with an equivariant imaging constraint, incorporating the S5P degradation operator and noise statistics derived from signal-to-noise ratio (SNR) metadata. We also introduce depthwise separable convolution U-Net architectures designed for efficiency and spectral fidelity. The framework is evaluated in two settings: (i) LR-HR, where synthetic LR data are used for direct comparison with supervised learning, and (ii) GT-SHR, where super-resolved images surpass the native spatial resolution without HR reference. Results across multiple bands show that self-supervised models achieve performance comparable to supervised methods while maintaining strong consistency. Qualitative analysis shows improved spatial detail over bicubic interpolation, and validation with EMIT data confirms that reconstructed structures are physically meaningful. Code is available at https://github.com/hyamomar/Sentinel-5P-Super-Resolution/tree/main/self_supervised
- Abstract（参考訳）: センチネル-5P(S5P)は大気モニタリングにおいて重要な役割を担っているが、その空間分解能は微細な分析を制限している。
既存の超解像(SR)アプローチは、真の高分解能(HR)データが存在しないため、合成低分解能(LR)データによる教師あり学習に依存している。
本稿では,S5Pのための自己監督型ハイパースペクトルSRフレームワークを提案する。
この方法は、S5P分解演算子と信号-雑音比(SNR)メタデータから導かれる雑音統計を組み込んだ、Stein's Unbiased Risk Estimator (SURE)と等変画像制約を組み合わせたものである。
また,効率とスペクトル忠実度を考慮した深層分離型畳み込み型U-Netアーキテクチャも導入する。
フレームワークは2つの設定で評価される。
一 合成LRデータを教師付き学習と直接比較するために使用するLR-HR
(II)GT-SHRでは、HR参照なしで超解像が自然空間分解能を超えている。
複数のバンドにわたる結果から、自己教師付きモデルは、強い一貫性を維持しながら、教師付き手法に匹敵するパフォーマンスを達成することが示されている。
定性的分析では,バイコビック補間よりも空間的詳細性が向上し,EDMデータによる検証により再構成された構造が物理的に意味があることが確認された。
コードはhttps://github.com/hyamomar/Sentinel-5P-Super-Resolution/tree/main/self_supervisedで公開されている。
関連論文リスト
- InfScene-SR: Spatially Continuous Inference for Arbitrary-Size Image Super-Resolution [3.6762434952581713]
InfScene-SRは、空間的に連続した超解像を可能にするフレームワークである。
拡散モデルの反復的精密化過程を、新しいガイド付きおよび分散補正融合機構で適用する。
論文 参考訳（メタデータ） (2026-02-23T11:34:59Z) - SHARE: A Fully Unsupervised Framework for Single Hyperspectral Image Restoration [9.908527979711902]
ハイパースペクトル画像(HSI)の復元は、計算画像とコンピュータビジョンの基本的な課題である。
本稿では、低ランクスペクトルモデリングと幾何同値原理を統一する、完全に教師なしのフレームワークであるSHAREを提案する。
提案手法は最先端の教師なし手法よりも優れており,教師付き手法に匹敵する性能を実現している。
論文 参考訳（メタデータ） (2026-01-20T14:01:13Z) - Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。
現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。
我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-11-21T12:57:23Z) - SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。
SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。
強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文 参考訳（メタデータ） (2025-03-25T17:59:57Z) - Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。
具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。
本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
論文 参考訳（メタデータ） (2024-10-07T18:18:54Z) - Low-Rank Representations Meets Deep Unfolding: A Generalized and
Interpretable Network for Hyperspectral Anomaly Detection [41.50904949744355]
現在のハイパースペクトル異常検出(HAD)ベンチマークデータセットは、低解像度、単純なバックグラウンド、検出データの小さなサイズに悩まされている。
これらの要因は、ロバスト性の観点からよく知られた低ランク表現(LRR)モデルの性能も制限する。
我々は、複雑なシナリオにおけるHADアルゴリズムの堅牢性を改善するために、新しいHADベンチマークデータセットであるAIR-HADを構築した。
論文 参考訳（メタデータ） (2024-02-23T14:15:58Z) - Learning Detail-Structure Alternative Optimization for Blind
Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。
DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。
本手法は既存の手法に対して最先端の手法を実現する。
論文 参考訳（メタデータ） (2022-12-03T14:44:17Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z) - Unsupervised Alternating Optimization for Blind Hyperspectral Imagery
Super-resolution [40.350308926790255]
本稿では, 盲点HSI融合問題に対処するために, 盲点HSI SR法を提案する。
本稿ではまず,デジェネレーションモデルを推定し,遅延画像の再構成を行うために,逐次最適化に基づく深層フレームワークを提案する。
そして,ネットワークを事前学習するメタラーニングに基づく機構が提案され,ネットワークの速度と一般化能力を効果的に向上させることができる。
論文 参考訳（メタデータ） (2020-12-03T07:52:32Z) - 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)
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。