論文の概要: Physics-Guided Deep Unfolding for Blind Cross-Sensor Spectral Super-Resolution via Learning the Spectral Transformation Function

• arxiv url: http://arxiv.org/abs/2606.05759v1
• Date: Thu, 04 Jun 2026 06:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.597925
• Title: Physics-Guided Deep Unfolding for Blind Cross-Sensor Spectral Super-Resolution via Learning the Spectral Transformation Function
• Title（参考訳）: スペクトル変換関数の学習によるBlind Cross-Sensor Spectral Super-Resolutionのための物理誘導深部展開
• Authors: Zhaolin Li, Jinsong Chen, Shanxin Guo, Tuo Zhang, Xinglong Zhang, Pan Chen,
• Abstract要約: 本稿では、ブラインドクロスセンサSSRに対応する物理誘導型深部展開ネットワークPGU-Netを提案する。 PGU-Netは、各ステージがHSIとSTFを逐次更新する、エンドツーエンドのトレーニング可能なアーキテクチャに変換最適化手順をアンロールする。 複数のSRFを用いたベンチマークデータセットの実験では、STFの正確な回復と、最先端のSSR手法による再構築性能の向上が示されている。
• 参考スコア（独自算出の注目度）: 12.39596803125457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral imaging provides rich spectral information for quantitative remote sensing, yet hyperspectral sensors remain costly and thus unavailable in many UAV deployments. Spectral super-resolution (SSR) seeks to reconstruct hyperspectral images (HSIs) from multispectral images (MSIs). Most existing SSR methods assume a fixed and known spectral response function (SRF) and are therefore limited to single-sensor settings. In practical cross-sensor scenarios, the spectral degradation from HSI to MSI is unknown and varies with sensor characteristics and scene content, which renders HSI reconstruction ill-posed. This paper proposes a physics-guided deep unfolding network, termed PGU-Net, to address blind cross-sensor SSR by jointly estimating the HSI and a learnable spectral transformation function (STF). PGU-Net unrolls an alternating optimization procedure into an end-to-end trainable architecture with stages, where each stage sequentially updates the HSI and the STF. Both modules combine learnable proximal networks with differentiable closed-form solvers, enabling physical interpretability while retaining strong representation capacity. Experiments on benchmark datasets (CAVE and NTIRE 2022) with multiple SRFs demonstrate accurate recovery of the STF (degradation operator) and improved reconstruction performance over state-of-the-art SSR methods. Furthermore, evaluations on a real UAV cross-sensor dataset (Headwall Nano HSI and DJI P4 Multispectral MSI) verify the effectiveness and robustness of PGU-Net under truly blind conditions, and suggest that the estimated STF may exhibit land-cover-related differences.
• Abstract（参考訳）: ハイパースペクトルイメージングは、定量リモートセンシングのための豊富なスペクトル情報を提供するが、ハイパースペクトルセンサーは高価であり、多くのUAV配備では利用できない。 スペクトル超解像(SSR)は、マルチスペクトル画像(MSI)から超スペクトル像(HSI)を再構成しようとする。 既存のSSR法の多くは、固定および既知のスペクトル応答関数 (SRF) を仮定しており、そのためシングルセンサー設定に限定されている。 実際のクロスセンサーのシナリオでは、HSIからMSIへのスペクトル劣化は未知であり、センサー特性やシーン内容によって異なるため、HSIの再構成は不適切である。 本稿では、HSIと学習可能なスペクトル変換関数(STF)を併用して、ブラインドクロスセンサSSRに対応する物理誘導型ディープ展開ネットワークPGU-Netを提案する。 PGU-Netは、各ステージがHSIとSTFを逐次更新する、エンドツーエンドのトレーニング可能なアーキテクチャに変換最適化手順をアンロールする。 どちらのモジュールも学習可能な近位ネットワークと微分可能な閉形式ソルバを組み合わせることで、強力な表現能力を維持しながら物理的解釈を可能にする。 複数のSRFを用いたベンチマークデータセット(CAVE と NTIRE 2022)の実験では、STF(劣化演算子)の正確な回復と、最先端のSSR手法による再構築性能の向上が示されている。 さらに,実際のUAVクロスセンサデータセット(Headwall Nano HSIとDJI P4 Multispectral MSI)を用いて,真の盲点条件下でのPGU-Netの有効性とロバスト性を検証した。

関連論文リスト

• HSSDCT: Factorized Spatial-Spectral Correlation for Hyperspectral Image Fusion [11.994592153994482]
  ハイパースペクトル画像(HSI)融合は、低分解能HSIの豊富なスペクトル情報と高分解能マルチスペクトル画像(HR-MSI)の詳細な詳細を組み合わせることで、高分解能HSI(HR-HSI)を再構成することを目的としている。 近年の深層学習法は顕著な進歩を遂げているが, 受容野の制限, スペクトル帯域の冗長化, 自己意識の2次的複雑さに悩まされている。 これらの課題を克服するために,階層型空間スペクトル線量相関ネットワーク (HSSDCT) を提案する。
  論文  参考訳（メタデータ） (2026-01-31T03:24:03Z)
• 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)
• SpectraLift: Physics-Guided Spectral-Inversion Network for Self-Supervised Hyperspectral Image Super-Resolution [0.0]
  高分解能高分解能マルチスペクトル画像(HR-MSI)と低分解能高分解能ハイパースペクトル画像(LR-HSI)を融合させることは、微細な空間構造を復元するための有望な経路である。 MSIのスペクトル応答(SRF)のみを用いてLR-HSIとHR-MSI入力を融合する完全自己教師型フレームワークSpectraLiftを提案する。 推測において、SpectraLiftはトレーニングされたネットワークを使用してHR-MSIピクセルをHR-HSI推定にマッピングする。
  論文  参考訳（メタデータ） (2025-07-17T17:57:18Z)
• Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images [64.80875911446937]
  RGB画像からのHSI再構成のための相関連続性ネットワーク(CCNet)を提案する。 局所スペクトルの相関について,GrSCM(Group-wise Spectral correlation Modeling)モジュールを紹介する。 グローバルスペクトルの連続性のために、我々はNeSCMモジュールを設計する。
  論文  参考訳（メタデータ） (2025-01-02T15:14:40Z)
• SSIF: Learning Continuous Image Representation for Spatial-Spectral Super-Resolution [73.46167948298041]
  本稿では,空間領域における連続画素座標とスペクトル領域における連続波長の両方の関数として,画像を表すニューラル暗黙モデルを提案する。 SSIFは空間分解能とスペクトル分解能の両方によく対応していることを示す。 ダウンストリームタスクのパフォーマンスを1.7%-7%向上させる高解像度画像を生成することができる。
  論文  参考訳（メタデータ） (2023-09-30T15:23:30Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)
• Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
  ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-15T16:59:48Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• Coupled Convolutional Neural Network with Adaptive Response Function Learning for Unsupervised Hyperspectral Super-Resolution [28.798775822331045]
  ハイパースペクトル超解像(Hyperspectral super- resolution)とは、高空間分解能と高スペクトル分解能の両方を持つ画像を生成するためにHSIとMSIを融合させることを指す。 本研究では,従来のPSFやSRF情報を使わずにHSI-MSI融合の問題を解く,教師なし深層学習に基づく融合法HyCoNetを提案する。
  論文  参考訳（メタデータ） (2020-07-28T06:17:02Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

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。