論文の概要: HyperFM: An Efficient Hyperspectral Foundation Model with Spectral Grouping

• arxiv url: http://arxiv.org/abs/2604.21127v1
• Date: Wed, 22 Apr 2026 22:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.200886
• Title: HyperFM: An Efficient Hyperspectral Foundation Model with Spectral Grouping
• Title（参考訳）: HyperFM: スペクトルグルーピングを用いた効率的なハイパースペクトル基礎モデル
• Authors: Zahid Hassan Tushar, Sanjay Purushotham,
• Abstract要約: PACEミッションは、海洋色、エアロゾル、雲に関する前例のない超分光観測を提供する。 現在のハイパースペクトル基礎モデルは、PACEが取得した連続スペクトルシグネチャを解釈するのに苦労している。 我々は,グループ内およびグループ間スペクトルの注意を生かしたパラメータ効率の高いハイパースペクトル基盤モデルHyperFMを導入する。 PACEミッションの大規模ハイパースペクトルデータセットであるHyperFM250Kもリリースしています。
• 参考スコア（独自算出の注目度）: 8.058012251047336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The NASA PACE mission provides unprecedented hyperspectral observations of ocean color, aerosols, and clouds, offering new insights into how these components interact and influence Earth's climate and air quality. Its Ocean Color Instrument measures light across hundreds of finely spaced wavelength bands, enabling detailed characterization of features such as phytoplankton composition, aerosol properties, and cloud microphysics. However, hyperspectral data of this scale is large, complex, and difficult to label, requiring specialized processing and analysis techniques. Existing foundation models, which have transformed computer vision and natural language processing, are generally trained on standard RGB imagery and therefore struggle to interpret the continuous spectral signatures captured by PACE. While recent advances have introduced hyperspectral foundation models, they are typically trained on cloud-free observations and often remain limited to single-sensor datasets due to spectral inconsistencies across instruments. Moreover, existing models tend to be parameter-heavy and computationally expensive, limiting scalability and adoption in operational settings. To address these challenges, we introduce HyperFM, a parameter-efficient hyperspectral foundation model that leverages intra-group and inter-group spectral attention along with hybrid parameter decomposition to better capture spectral spatial relationships while reducing computational cost. HyperFM demonstrates consistent performance improvements over existing hyperspectral foundation models and task-specific state-of-the-art methods across four benchmark downstream atmospheric cloud property retrieval tasks. To support further research, we additionally release HyperFM250K, a large-scale hyperspectral dataset from the PACE mission that includes both clear and cloudy scenes.
• Abstract（参考訳）: NASA PACEミッションは、海洋色、エアロゾル、雲に関する前例のない超分光観測を行い、これらの成分がどのように相互作用し、地球の気候や大気質に影響を与えるかについての新しい洞察を提供する。 オーシャンカラー・インスツルメンツ(Ocean Color Instrument)は、数百の微細な波長帯の光を測定することで、植物プランクトン組成、エアロゾル特性、雲の微小物理学などの特徴を詳細に評価することができる。 しかし、このスケールのハイパースペクトルデータは大きく、複雑で、ラベル付けが難しいため、特別な処理と分析技術が必要である。 コンピュータビジョンと自然言語処理を変換した既存の基礎モデルは、一般的に標準のRGB画像に基づいて訓練されており、PACEが取得した連続スペクトルシグネチャの解釈に苦慮している。 最近の進歩はハイパースペクトル基盤モデルを導入しているが、通常は雲のない観測で訓練されており、機器間のスペクトルの不整合のため、しばしば単一センサーのデータセットに制限される。 さらに、既存のモデルはパラメータ重で計算コストが高く、運用環境におけるスケーラビリティや採用が制限される傾向があります。 これらの課題に対処するために,パラメータ効率の高いハイパースペクトル基盤モデルHyperFMを導入する。これは,グループ内およびグループ間スペクトルの注意とハイブリッドパラメータ分解を利用して,計算コストを低減しつつ,スペクトル空間の関係をよりよく把握する。 HyperFMは、既存のハイパースペクトル基盤モデルと4つのベンチマークでダウンストリームのクラウドプロパティ検索タスクにまたがるタスク固有の最先端メソッドに対して、一貫したパフォーマンス改善を示す。 さらなる研究を支援するため、私たちは、澄んだシーンと曇りシーンの両方を含む、PACEミッションからの大規模なハイパースペクトルデータセットであるHyperFM250Kもリリースしました。

関連論文リスト

• Generative Modeling of Aerosol State Representations [5.772617906251992]
  エアロゾル-雲-放射相互作用は、地球の気候システムで最も不確実な構成要素である。 本稿では,特定質量および数濃度分布の深部変分オートエンコーダモデルを学習するためのフレームワークを提案する。 数百の原次元を10の潜伏変数に圧縮することにより、効率的なストレージと処理が可能になる。
  論文  参考訳（メタデータ） (2025-10-11T22:38:30Z)
• Hyperspectral Adapter for Semantic Segmentation with Vision Foundation Models [18.24287471339871]
  ハイパースペクトルイメージング(HSI)は、多数の狭い波長帯にわたる密度のスペクトル測定とともに空間情報をキャプチャする。 本アーキテクチャでは、スペクトル変換器とスペクトル対応空間先行モジュールを組み込んで、豊富な空間スペクトル特徴を抽出する。 我々のアーキテクチャは、HSI入力を直接使用しながら、最先端のセマンティックセマンティックセマンティックセマンティクス性能を実現し、ビジョンベースとハイパースペクトルセマンティクスの両方のセマンティクス法より優れている。
  論文  参考訳（メタデータ） (2025-09-24T13:32:07Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Multispectral to Hyperspectral using Pretrained Foundational model [1.3516162688685323]
  ハイパースペクトルイメージングは詳細なスペクトル情報を提供し、CH4やNO2のような温室効果ガスをモニターする大きな可能性を提供する。 その適用は、限られたカバレッジと頻繁な再訪時間によって制限されている。 対照的に、マルチスペクトルイメージングは空間的および時間的カバレッジを提供するが、正確な検出に必要なスペクトルの粒度は欠如している。
  論文  参考訳（メタデータ） (2025-02-26T06:18:40Z)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
  Hyper SIGMAは、タスクやシーン間でHSI解釈を統合するビジョントランスフォーマーベースの基礎モデルである。 さらに,約450Kのハイパースペクトル画像を含む,事前学習のための大規模ハイパースペクトルデータセットHyperGlobal-450Kを構築した。
  論文  参考訳（メタデータ） (2024-06-17T13:22:58Z)
• 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。