論文の概要: GSPan: A Continuous Gaussian Primitive Representation for Arbitrary-Scale Pansharpening

• arxiv url: http://arxiv.org/abs/2606.17722v1
• Date: Tue, 16 Jun 2026 09:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.378665
• Title: GSPan: A Continuous Gaussian Primitive Representation for Arbitrary-Scale Pansharpening
• Title（参考訳）: GSPan: 任意スケールパンシャーピングのための連続ガウス原始表現
• Authors: Fangyi Li, Xiaoyuan Yang, Yixiao Li, Zongyang Sui, Kangqing Shen, Gemine Vivone,
• Abstract要約: GSPanは2次元ガウススプラッティング(GS)をパンシャーピングに導入するフレームワークである。 GSpanは、連続かつ学習可能な2Dガウス原始体としてバンドワイド残差の詳細を表す。 QuickBird、GaoFen-2、WorldView-3、WorldView-3-4Kデータセットの実験は、GSPanが最先端の核融合性能を提供することを示している。
• 参考スコア（独自算出の注目度）: 10.90677743611248
• 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 panchromatic (PAN) observations. Most existing deep learning methods treat pansharpening as fixed-grid prediction, which limits scale adaptation. To address this, we propose GSPan, a framework that introduces 2D Gaussian Splatting (GS) into pansharpening. Instead of directly predicting pixels, GSPan represents band-wise residual details as continuous and learnable 2D Gaussian primitives. We design a Dual-Stream Hierarchical Interaction (DSHI) architecture with a Spatial-Spectral Interactive Attention (SSIA) module to estimate these primitives from complementary PAN and MS observations. The predicted primitives are rendered as a residual detail field and injected into the upsampled MS image. This continuous representation allows GSPan to render fused images on arbitrary target sampling grids without scale-specific retraining. It further enables a Scale-Decoupled Asymmetric Inference (SDAI) strategy, which estimates primitives at a reduced resolution and renders the fused image at the target resolution for efficient large-scene pansharpening. Experiments on QuickBird, GaoFen-2, WorldView-3, and WorldView-3-4K datasets show that GSPan delivers state-of-the-art fusion performance. Moreover, SDAI markedly accelerates inference, achieving a favorable trade-off between computational efficiency and fusion quality. Our results demonstrate the potential of continuous Gaussian residual representations as a flexible and scale-decoupled alternative to fixed-grid prediction.
• Abstract（参考訳）: Pansharpeningは、低分解能マルチスペクトル(LRMS)とパンクロマチック(PAN)の観測を融合させることで、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。 既存のディープラーニング手法の多くは、パンシャーペンをスケール適応を制限する固定グリッド予測として扱う。 この問題に対処するために,2次元ガウススプラッティング(GS)をパンシャーピングに導入するフレームワークであるGSPanを提案する。 ピクセルを直接予測するのではなく、GSPanは連続的で学習可能な2Dガウス原始体としてバンドワイド残差の詳細を表す。 本研究では,Spatial-Spectral Interactive Attention (SSIA)モジュールを用いたDual-Stream Hierarchical Interaction (DSHI)アーキテクチャを設計し,これらのプリミティブを相補的なPANとMS観測から推定する。 予測プリミティブは残留詳細フィールドとしてレンダリングされ、アップサンプリングされたMS画像に注入される。 この連続表現により、GSPanはスケール固有のリトレーニングなしで、任意のターゲットサンプリンググリッドに融合した画像をレンダリングできる。 さらに、SDAI(Scale-Decoupled Asymmetric Inference)戦略が実現され、プリミティブを縮小解像度で推定し、融合画像をターゲット解像度でレンダリングすることで、効率の良い大画面パンシャーピングが可能になる。 QuickBird、GaoFen-2、WorldView-3、WorldView-3-4Kデータセットの実験は、GSPanが最先端の核融合性能を提供することを示している。 さらに、SDAIは推論を著しく加速し、計算効率と融合品質との良好なトレードオフを達成する。 本研究は, 連続ガウス残差表現の可能性を示すものである。

関連論文リスト

• iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
  iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。 NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-11-18T05:22:22Z)
• Complementary Information Guided Occupancy Prediction via Multi-Level Representation Fusion [73.11061598576798]
  カメラによる占有予測は、自動運転における3D知覚の主流のアプローチである。 textbfCIGOccはマルチレベル表現融合に基づく2段階の占有予測フレームワークである。 textbfCIGOccは、入力画像からセグメンテーション、グラフィックス、深さの特徴を抽出し、変形可能なマルチレベル融合機構を導入する。
  論文  参考訳（メタデータ） (2025-10-15T06:37:33Z)
• 2D Gaussian Splatting with Semantic Alignment for Image Inpainting [46.266955851252504]
  2次元ガウススプラッティングに基づく最初の画像インペイントフレームワークを提案する。 グローバルなセマンティック一貫性のために、事前訓練されたDINOモデルの特徴を取り入れる。 本手法は,定量的指標と知覚的品質の両面での競合性能を実現する。
  論文  参考訳（メタデータ） (2025-09-02T05:12:52Z)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• CrossDiff: Exploring Self-Supervised Representation of Pansharpening via Cross-Predictive Diffusion Model [42.39485365164292]
  パンクロマチック (PAN) 画像とそれに対応するマルチスペクトル (MS) 画像の融合は、パンシャーパニング (pansharpening) とも呼ばれる。 高解像度のMS画像がないため、利用可能なディープラーニングベースの手法は通常、縮小解像度でのトレーニングと、縮小解像度と完全解像度の両方でのテストのパラダイムに従う。 そこで本研究では,クロスディフ(CrossDiff)と呼ばれる相互予測拡散モデルの設計により,パンシャルペンの自己制御表現について検討する。
  論文  参考訳（メタデータ） (2024-01-10T13:32:47Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Unsupervised Cycle-consistent Generative Adversarial Networks for Pan-sharpening [41.68141846006704]
  本稿では,この問題を緩和するために,基礎的な真理を伴わずに,フルスケールの画像から学習する,教師なしの生成的敵対的枠組みを提案する。 PANおよびMS画像から2ストリーム生成器を用いてモダリティ特異的特徴を抽出し,特徴領域での融合を行い,パンシャープ画像の再構成を行う。 提案手法は,フルスケール画像のパンシャーピング性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-09-20T09:43:24Z)
• Hyperspectral Pansharpening Based on Improved Deep Image Prior and Residual Reconstruction [64.10636296274168]
  高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化 近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。 深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
  論文  参考訳（メタデータ） (2021-07-06T14:11:03Z)

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。