論文の概要: HyperBench: Standardizing and Scaling Synthetic Evaluation for Hyperspectral Super-Resolution
- arxiv url: http://arxiv.org/abs/2605.21671v1
- Date: Wed, 20 May 2026 19:24:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:41.972731
- Title: HyperBench: Standardizing and Scaling Synthetic Evaluation for Hyperspectral Super-Resolution
- Title（参考訳）: HyperBench: ハイパースペクトル超解法の標準化とスケーリング評価
- Authors: Ritik Shah, Marco F. Duarte,
- Abstract要約: ハイパースペクトル超解像(HSR)は高分解能マルチスペクトル像(HR-MSI)と低分解能ハイパースペクトル像を融合することにより高分解能ハイパースペクトル像を再構成する
HSR法はウォルドのプロトコルを通した超スペクトルデータセットから得られた合成実験でほぼ独占的に評価される。
HSRの合成実験を標準化する統一フレームワークであるHyperBenchを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral super-resolution (HSR) reconstructs a high-spatial-resolution hyperspectral image by fusing a low-resolution hyperspectral image (LR-HSI) with a high-resolution multispectral image (HR-MSI). In the absence of real-world paired data, HSR methods are evaluated almost exclusively on synthetic experiments derived from hyperspectral datasets through Wald's protocol. Despite the protocol's widespread adoption, its practical implementation varies markedly across research works, typically relying on a single (usually Gaussian) or very few point spread functions (PSFs), one or two spectral response functions (SRFs), and a couple of spatial downsampling factors. As a result, reported performance figures are difficult to compare across the literature, in addition to being often difficult to reproduce; furthermore, they may not generalize across realistic sensing conditions. We introduce HyperBench, a unified and extensible framework that standardizes synthetic experimentation for HSR. HyperBench supports diverse degradation configurations spanning ten PSFs, four SRFs derived from operational multispectral sensors, configurable spatial downsampling factors, and matched additive white Gaussian noise; its goal is to automate large-scale evaluation and structured logging. By decoupling model development from experimental design, the framework enables reproducible, apples-to-apples cross-method comparison with minimal friction. We use HyperBench to evaluate six recently proposed HSR methods across a 70-configuration sweep on four widely used hyperspectral scenes and observe that the inter-method PSNR spread widens from approximately 5 dB on the easiest PSF to over 13 dB on the hardest - a fragility that is structurally invisible to the prevailing single-configuration evaluation protocol. HyperBench code is available at https://github.com/ritikgshah/HyperBench .
- Abstract（参考訳）: 高分解能ハイパースペクトル像 (HSR) は高分解能マルチスペクトル像 (HR-MSI) と低分解能ハイパースペクトル像 (LR-HSI) を融合することにより高分解能ハイパースペクトル像を再構成する。
実世界のペアデータがない場合、HSR法はウォルドのプロトコルを通した超スペクトルデータセットから得られた合成実験でのみ評価される。
プロトコルが広く採用されているにもかかわらず、その実践的実装は、通常、単一の(通常ガウス的)またはごく少数の点拡散関数(PSF)、1つまたは2つのスペクトル応答関数(SRF)、そしていくつかの空間的なダウンサンプリング因子に依存する研究に大きく依存している。
その結果、報告された性能数値は、再現が難しいことに加えて、文献間で比較することが困難であり、さらに、現実的な知覚条件をまたいで一般化しない可能性がある。
HSRの合成実験を標準化する統一的で拡張可能なフレームワークであるHyperBenchを紹介する。
HyperBenchは、10個のPSF、運用用マルチスペクトルセンサから派生した4つのSRF、設定可能な空間ダウンサンプリング係数、および一致した付加的な白色ガウスノイズの多様な分解構成をサポートし、その目標は大規模評価と構造化ロギングを自動化することである。
モデル開発を実験的な設計から切り離すことで、最小限の摩擦で再現可能なリンゴとアプレットのクロスメタル比較が可能になる。
我々はHyperBenchを用いて、広く使用されている4つのハイパースペクトルシーンにおいて、70個のHSR手法を網羅して評価し、最も簡単なPSNRにおいて、メソッド間PSNRが約5dBから最も難しい13dBまで広がることを観察した。
HyperBenchコードはhttps://github.com/ritikgshah/HyperBenchで入手できる。
関連論文リスト
- Sparse Hypergraph-Enhanced Frame-Event Object Detection with Fine-Grained MoE [15.035274942751387]
高性能かつ効率的な検出フレームワークであるHyper-FEODを提案する。
S-HCF(Sparse Hypergraph-enhanced Cross-Modal Fusion)を紹介する。
第2に、異なる画像領域の多様な意味的要求に対応するために、FG-MoE拡張モジュールを設計する。
論文 参考訳（メタデータ） (2026-04-13T07:56:16Z) - HyperTTA: Test-Time Adaptation for Hyperspectral Image Classification under Distribution Shifts [28.21559601586271]
HyperTTA (Test-Time Adaptable Transformer for Hyperspectral Degradation) は、様々な劣化条件下でモデルロバスト性を高める統一フレームワークである。
テスト時の適応戦略である、信頼を意識したエントロピー最小化LayerNorm Adapter (CELA)は、LayerNorm層のアフィンパラメータのみを動的に更新する。
2つのベンチマークデータセットの実験では、HyperTTAがさまざまな劣化シナリオで最先端のベースラインを上回っていることが示されている。
論文 参考訳（メタデータ） (2025-09-10T09:31:37Z) - QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution [53.13952833016505]
実世界のビデオ超解像(VSR)のための低ビット量子化モデルを提案する。
キャリブレーションデータセットを用いて各レイヤの空間的および時間的複雑さを計測する。
我々はFPおよび低ビット分岐を改良し、同時最適化を実現する。
論文 参考訳（メタデータ） (2025-08-06T14:35:59Z) - Rethinking the Upsampling Layer in Hyperspectral Image Super Resolution [51.98465973507002]
ハイパースペクトル画像のマルチスケールチャネル特性のキャリブレーションにチャネルアテンションを組み込んだ,新しい軽量SHSRネットワーク LKCA-Net を提案する。
我々は、学習可能なアップサンプリング層の低ランク特性が軽量なSHSR手法における重要なボトルネックであることを初めて証明した。
論文 参考訳（メタデータ） (2025-01-30T15:43:34Z) - Robust Hyperspectral Image Panshapring via Sparse Spatial-Spectral Representation [9.3350274016294]
S$3$RNetはハイパースペクトル画像パネルペンのための新しいフレームワークである。
低分解能ハイパースペクトル画像(LRHSI)と高分解能マルチスペクトル画像(HRMSI)を疎空間スペクトル表現により組み合わせる。
S$3$RNetは、複数の評価指標で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-01-14T09:09:14Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳（メタデータ） (2023-07-26T07:45:14Z) - A Latent Encoder Coupled Generative Adversarial Network (LE-GAN) for
Efficient Hyperspectral Image Super-resolution [3.1023808510465627]
GAN(Generative Adversarial Network)は画像超解像のための効果的なディープラーニングフレームワークであることが証明されている。
モード崩壊の問題を緩和するため,本研究では,潜在エンコーダ(LE-GAN)と組み合わせた新しいGANモデルを提案する。
LE-GANは、生成したスペクトル空間の特徴を画像空間から潜在空間にマッピングし、生成したサンプルを正規化するための結合成分を生成する。
論文 参考訳（メタデータ） (2021-11-16T18:40:19Z) - 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) - 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) - 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。