論文の概要: RAFNet: Region-Aware Fusion Network for Pansharpening

• arxiv url: http://arxiv.org/abs/2605.02184v1
• Date: Mon, 04 May 2026 03:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.123776
• Title: RAFNet: Region-Aware Fusion Network for Pansharpening
• Title（参考訳）: RAFNet:パンシャーピングのための地域対応核融合ネットワーク
• Authors: Jianing Zhang, Zijian Zhou, Kai Sun,
• Abstract要約: 本研究では,高分解能マルチスペクトル画像を生成するための領域認識融合ネットワーク(RAFNet)を提案する。 セマンティッククラスタによって案内されるスパースアテンション機構を導入し、領域対応のスパースアテンション戦略を実行する。 RAFNetは、縮小およびフルレゾリューション評価の両方において最先端のパンシャーピング手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 11.479836028539859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pansharpening aims to generate high-resolution multispectral (HRMS) images by fusing low-resolution multispectral (LRMS) and high-resolution panchromatic (PAN) images. Although deep learning has advanced this field, mainstream frequency-based methods relying on standard scaled dot-product attention suffer from quadratic computational complexity and fail to exploit the inherent regional sparsity of remote sensing imagery. Furthermore, existing spatial enhancement strategies typically employ static convolution kernels, which struggle to adapt to the complex frequency and regional variations of PAN and MS images. To address these bottlenecks, we propose a Region-Aware Fusion (RAFNet) Network that synergistically models spatial and frequency information. Specifically, we design a Spatial Adaptive Refinement (SAR) module that leverages the discrete wavelet transform (DWT) for directional frequency separation and K-means clustering for regional partitioning, which enables the dynamic construction of region-specific adaptive convolution kernels, achieving spatially and frequency-adaptive feature enhancement. Moreover, we introduce a Clustered Frequency Aggregation (CFA) module based on a sparse attention mechanism guided by the semantic clusters, which executes a region-aware sparse attention strategy that drastically reduces computational redundancy while ensuring high-quality frequency feature extraction. In addition we integrated these modules into a progressive, multi-level spatial-frequency network architecture to facilitate robust interaction and accurate image reconstruction. Extensive experiments on multiple benchmark datasets demonstrate that the proposed RAFNet significantly outperforms state-of-the-art pansharpening methods in both reduced- and full-resolution assessments. The code is available at https://github.com/PatrickNod/RAFNet.
• Abstract（参考訳）: Pansharpeningは、低分解能マルチスペクトル(LRMS)と高分解能パンクロマティック(PAN)画像を融合して高分解能マルチスペクトル(HRMS)画像を生成することを目的としている。 深層学習はこの分野で進歩してきたが、標準スケールのドット積注目度に依存する主流の周波数ベースの手法は、2次計算の複雑さに悩まされ、リモートセンシング画像の固有の領域の空間性を利用することができない。 さらに、既存の空間拡張戦略は静的畳み込みカーネルを用いており、PANおよびMS画像の複雑な周波数と局所的な変化に適応するのに苦労している。 これらのボトルネックに対処するために、空間情報と周波数情報を相乗的にモデル化する領域認識融合(RAFNet)ネットワークを提案する。 具体的には、方向周波数分離のための離散ウェーブレット変換(DWT)と領域分割のためのK平均クラスタリングを利用するSARモジュールを設計し、領域固有の適応畳み込みカーネルを動的に構築し、空間的かつ周波数適応的な特徴拡張を実現する。 さらに、セマンティッククラスタによって誘導されるスパースアテンション機構に基づくクラスタリング周波数アグリゲーション(CFA)モジュールを導入し、高品質な周波数特徴抽出を確保しつつ、計算冗長性を劇的に低減する領域認識スパースアテンション戦略を実行する。 さらに、これらのモジュールをプログレッシブで多レベルな空間周波数ネットワークアーキテクチャに統合し、ロバストな相互作用と正確な画像再構成を容易にする。 複数のベンチマークデータセットに対する大規模な実験により、提案されたRAFNetは、縮小およびフルレゾリューション評価の両方において最先端のパンシャーピング手法を著しく上回っていることが示された。 コードはhttps://github.com/PatrickNod/RAFNetで入手できる。

関連論文リスト

• CGFformer: Cluster-Guidance Frequency Transformer for Pansharpening [29.89030492050345]
  CGFformerは、周波数分布の変化と周波数と空間成分間の相互作用に焦点を当てたクラスタ誘導周波数変換器である。 本稿では,トランスフォーマーをベースとしたクロスアテンションと組み合わせて,様々なノイズを除去し,周波数関連障害と無関係障害をネットワークが共同で抑制する2重ストリームリファインメントモジュールを提案する。 さらに、詳細性を高め、空間-周波数相互作用を容易にするために、周波数-空間融合モジュールを開発する。
  論文  参考訳（メタデータ） (2026-05-02T15:27:08Z)
• A Spatial-Spectral-Frequency Interactive Network for Multimodal Remote Sensing Classification [45.80836671298513]
  本稿では,空間,スペクトル,周波数領域にまたがる相互融合モジュールを統合した空間-スペクトル-周波数相互作用ネットワーク(S$2$Fin)を提案する。 ラベル付きデータに制限のある4つのベンチマークマルチモーダルデータセットの実験は、S$2$Finが優れた分類を行い、最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-06T09:33:35Z)
• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
  計算コストの制限による顔超解像(FSR)は未解決の問題である。 既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。 本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-17T02:33:42Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• Hyperspectral Image Super-Resolution via Dual-domain Network Based on Hybrid Convolution [6.3814314790000415]
  本稿ではハイブリッド畳み込み(SRDNet)に基づく新しいHSI超解像アルゴリズムを提案する。 スペクトル間自己相似性を捉えるため、空間領域に自己注意学習機構(HSL)を考案する。 HSIの知覚品質をさらに向上するため、周波数領域のモデルを最適化するために周波数損失(HFL)を導入した。
  論文  参考訳（メタデータ） (2023-04-10T13:51:28Z)

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。