論文の概要: AnyBand-Diff: A Unified Remote Sensing Image Generation and Band Repair Framework with Spectral Priors

• arxiv url: http://arxiv.org/abs/2605.14341v1
• Date: Thu, 14 May 2026 04:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-16 00:43:04.092327
• Title: AnyBand-Diff: A Unified Remote Sensing Image Generation and Band Repair Framework with Spectral Priors
• Title（参考訳）: AnyBand-Diff:スペクトル優先のリモートセンシング画像生成とバンド修復フレームワーク
• Authors: Zuopeng Zhao, Ying Liu, Xiaoyu Li, Su Luo, Lu Li, Wenwen Liu,
• Abstract要約: 本稿では,頑健なスペクトル再構成に適したスペクトル優先拡散フレームワークであるAnyBand-Diffを紹介する。 ラジオメトリックの忠実性を確保するため,物理誘導サンプリング機構を提案する。 実験は、AnyBand-Diffが信頼できる画像を生成するための有効性を確認する。
• 参考スコア（独自算出の注目度）: 10.352581041881864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing diffusion models have made significant progress in generating realistic images. However, their direct adaptation to remote sensing imagery often disregards intrinsic physical laws. This oversight frequently leads to spectral distortion and radiometric inconsistency, severely limiting the scientific utility of generated data. To address this issue, this paper introduces AnyBand-Diff, a novel spectral-prior-guided diffusion framework tailored for robust spectral reconstruction. Specifically, we design a Masked Conditional Diffusion backbone integrated with a dual stochastic masking strategy, empowering the model to recover complete spectral information from arbitrary band subsets. Subsequently, to ensure radiometric fidelity, a Physics-Guided Sampling mechanism is proposed, leveraging gradients from a differentiable physical model to explicitly steer the denoising trajectory toward the manifold of physically plausible solutions. Furthermore, a Multi-Scale Physical Loss is formulated to enforce rigorous constraints across pixel, region, and global levels in a joint manner. Extensive experiments confirm the effectiveness of AnyBand-Diff in generating reliable imagery and achieving accurate spectral reconstruction, contributing to the advancement of physics-aware generative methods for Earth observation.
• Abstract（参考訳）: 既存の拡散モデルは、現実的な画像の生成に大きな進歩をもたらした。 しかし、リモートセンシング画像への直接的な適応はしばしば本質的な物理法則を無視している。 この監視は、しばしばスペクトル歪みとラジオメトリックの不整合をもたらし、生成されたデータの科学的有用性を著しく制限する。 そこで本稿では,スペクトル再構成に適したスペクトル優先拡散フレームワークであるAnyBand-Diffを紹介する。 具体的には、マスク付き条件拡散バックボーンを2つの確率マスキング戦略と統合して設計し、任意の帯域サブセットから完全なスペクトル情報を復元する。 その後, 物理誘導サンプリング機構が提案され, 微分可能な物理モデルからの勾配を利用して, 物理的に可塑性な溶液の多様体への偏光軌道を明示的に制御する。 さらに、多スケール物理損失は、ピクセル、領域、グローバルレベルの厳密な制約を共同で実施するために定式化される。 大規模な実験により、AnyBand-Diffは信頼性の高い画像を生成し、正確なスペクトル再構成を実現し、地球観測のための物理認識生成手法の進歩に寄与した。

関連論文リスト

• Phy-CoSF: Physics-Guided Continuous Spectral Fields Reconstruction and Super-Resolution for Snapshot Compressive Imaging [79.35520607451187]
  暗黙のニューラル表現で深層展開ネットワークを相乗化するPhy-CoSFを提案する。 具体的には、連続的なスペクトルレンダリングで離散波長トレーニングをブリッジする2相アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-05-13T14:17:02Z)
• SR$^{2}$-Net: A General Plug-and-Play Model for Spectral Refinement in Hyperspectral Image Super-Resolution [3.4888894498274747]
  HSI-SRは、スペクトル的に忠実で物理的に妥当な特性を維持しながら、空間分解能を高めることを目的としている。 これらの方法はしばしばバンド間のスペクトルの一貫性を無視し、刺激的な振動と物理的に不可解な人工物をもたらす。 本稿では,この問題に対処するための軽量なプラグ・アンド・プレイ方式であるSpectral Rectification Super-Resolution Network (SR$2$-Net)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T07:00:00Z)
• Uncertainty Quantification in HSI Reconstruction using Physics-Aware Diffusion Priors and Optics-Encoded Measurements [12.90606332269204]
  ベイズ推論問題として高スペクトル像(HSI)再構成を定式化する。 我々は,非条件で訓練された画素レベルの拡散と後方拡散サンプリングを利用するHSDiffというフレームワークを提案する。 我々は,HSDiffが不確実性を考慮したHSI再建のための完全かつ高性能な手法であることを実証した。
  論文  参考訳（メタデータ） (2025-11-23T14:43:51Z)
• Spectral Super-Resolution Neural Operator with Atmospheric Radiative Transfer Prior [28.251877082351744]
  スペクトル超解像(SSR)は、マルチスペクトル観測から超スペクトル像(HSI)を再構成することを目的としている。 データ駆動方式は広く使われているが、しばしば物理的原理を見落とし、非現実的なスペクトルを生み出す。 本研究では,大気放射移動(ART)をデータ駆動方式に組み込んだ分光超解像ニューラル演算子(SSRNO)を提案する。
  論文  参考訳（メタデータ） (2025-11-22T02:58:03Z)
• GEWDiff: Geometric Enhanced Wavelet-based Diffusion Model for Hyperspectral Image Super-resolution [19.608052570649303]
  超解像4回で超スペクトル像を再構成するための新しい枠組みを提案する。 スペクトル空間情報を保存しながら、効率よくHSIを潜在空間に圧縮するウェーブレットベースのエンコーダデコーダが導入された。 本モデルでは, 忠実度, スペクトル精度, 視覚リアリズム, 明度など, 複数次元にわたる最先端の成果を示した。
  論文  参考訳（メタデータ） (2025-11-10T13:44:16Z)
• Generalizable Holographic Reconstruction via Amplitude-Only Diffusion Priors [48.96607421052462]
  インラインホログラフィーにおける位相検索は、コヒーレントイメージングにおける振幅と位相の非線形結合に起因する基本的な不適切な逆問題である。 本稿では,物体振幅のみを訓練した拡散モデルを用いて,回折強度から振幅と位相の両方を復元する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T06:36:08Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• 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)

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。