論文の概要: High-Dimensional Noise to Low-Dimensional Manifolds: A Manifold-Space Diffusion Framework for Degraded Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2604.26279v1
• Date: Wed, 29 Apr 2026 04:20:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.252191
• Title: High-Dimensional Noise to Low-Dimensional Manifolds: A Manifold-Space Diffusion Framework for Degraded Hyperspectral Image Classification
• Title（参考訳）: 低次元マニフォールドへの高次元ノイズ:分解ハイパースペクトル画像分類のためのマニフォールド空間拡散フレームワーク
• Authors: Boxiang Yang, Ning Chen, Xia Yue, Yichang Luo, Yingbo Fan, Haoyuan Zhang, Haoyu Ma, Jun Yue, Shanjun Mao,
• Abstract要約: 実世界のリモートセンシングのシナリオでは、多重分解因子の重ね合わせは固有の多様体構造を妨害する。 本稿では, 複素劣化条件下での高スペクトル分類のための多様体空間拡散フレームワーク(MSDiff)を提案する。
• 参考スコア（独自算出の注目度）: 14.798241863302438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Hyperspectral Image (HSI) classification has attracted increasing attention in remote sensing. However, HSI data are inherently high-dimensional but low-rank, with discriminative information concentrated on a low-dimensional latent manifold. In real-world remote sensing scenarios, the superposition of multiple degradation factors disrupts this intrinsic manifold structure, driving samples away from their original low-dimensional distribution and introducing substantial redundant and non-discriminative variations. To better handle this challenge, this paper proposes a manifold-space diffusion framework (MSDiff) for robust hyperspectral classification under complex degradation conditions. Specifically, the proposed method first maps high-dimensional, degradation-affected HSI data into a compact low-dimensional manifold through a discriminative spectral-spatial reconstruction task, preserving class semantics and reducing redundant variations. A diffusion-based generative model is then applied to regularize the spectral-spatial distribution within the manifold, enabling progressive refinement and stabilization of latent features against residual degradations. The key advantage of the proposed framework lies in performing diffusion-based distribution modeling directly on the low-dimensional manifold, effectively decoupling degradation-induced disturbances from intrinsic discriminative structures and enhancing representation stability under complex degradations. Experimental results on multiple hyperspectral benchmarks demonstrate consistent performance improvements over state-of-the-art methods under diverse composite degradation settings. The code will be available at https://github.com/yangboxiang1207/MSDiff
• Abstract（参考訳）: 近年,ハイパースペクトル画像(HSI)の分類がリモートセンシングにおいて注目を集めている。 しかし、HSIデータは本質的に高次元であるが低ランクであり、識別情報は低次元の潜在多様体に集中している。 実世界のリモートセンシングのシナリオでは、多重分解因子の重ね合わせは、この本質的な多様体構造を妨害し、サンプルを元の低次元分布から遠ざけ、かなりの冗長かつ非差別的なバリエーションをもたらす。 本稿では, 複素劣化条件下での高スペクトル分類のための多様体空間拡散フレームワーク(MSDiff)を提案する。 具体的には、まず、高次元劣化影響HSIデータを識別スペクトル空間再構成タスクを通じてコンパクトな低次元多様体にマッピングし、クラスセマンティクスを保存し、冗長な変動を低減する。 拡散に基づく生成モデルを用いて、多様体内のスペクトル-空間分布を正則化し、残留劣化に対する遅延特性の漸進的洗練と安定化を可能にする。 提案手法の鍵となる利点は,低次元多様体上で拡散分布モデルを直接実行し,本質的な識別構造からの劣化誘起障害を効果的に分離し,複雑な劣化下での表現安定性を向上させることである。 複数のハイパースペクトルベンチマーク実験により, 種々の複合劣化条件下での最先端手法による一貫した性能向上が示された。 コードはhttps://github.com/yangboxiang1207/MSDiffで入手できる。

関連論文リスト

• Single Image Super-Resolution via Bivariate `A Trous Wavelet Diffusion [5.897882149801945]
  超解像(SR)モデルは、人工物を導入することなく高周波構造を復元できる必要がある。 生成過程において,構造化されたクロススケールガイダンスを提供するBATDiffを紹介する。 既存の拡散ベースラインや非拡散ベースラインよりも鋭く、構造的に一貫した再構築をもたらす。
  論文  参考訳（メタデータ） (2026-03-07T14:36:37Z)
• Hyperspectral Super-Resolution with Inter-Image Variability via Degradation-based Low-Rank and Residual Fusion Method [2.317803962255901]
  マルチスペクトル画像(MSI)によるハイパースペクトル画像の融合は、HSIの空間分解能を高める効果的な方法である。 取得条件が異なるため、スペクトルのばらつきや、HSIとMSIの間の空間的局所的な変化が存在する可能性がある。 既存の方法は通常、直接変換を適用した画像間の可変性を扱う。 本稿では, この課題に対処するために, 劣化に基づく低ランク・残留核融合(DLRRF)モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-19T02:45:31Z)
• Irregular Tensor Low-Rank Representation for Hyperspectral Image Representation [71.69331824668954]
  スペクトル変動は、ハイパースペクトル画像(HSI)解析において共通の課題となる 低ランクテンソル表現は、HSIデータに固有の相関を利用して、堅牢な戦略として登場した。 本研究では,不規則な3次元立方体を効率的にモデル化するために,不規則なテンソルローランク表現のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-24T02:56:22Z)
• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
  ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。 提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
  論文  参考訳（メタデータ） (2020-10-24T15:53:56Z)

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。