論文の概要: Dual-Domain Manifold Modeling for Hyperspectral Image Fusion
- arxiv url: http://arxiv.org/abs/2607.25338v1
- Date: Tue, 28 Jul 2026 06:40:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.735069
- Title: Dual-Domain Manifold Modeling for Hyperspectral Image Fusion
- Title（参考訳）: ハイパースペクトル画像融合のためのデュアルドメインマニフォールドモデリング
- Authors: Chengxin Xie, Qiya Song, Yangbangyan Jiang, Renwei Dian, Xudong Kang,
- Abstract要約: ハイパースペクトル画像融合のための双対多様体モデリングフレームワークを提案する。
DDMMは,空間構造保存とスペクトル再構成の観点から,SoTA法よりも全体的な性能が優れていることを示す。
- 参考スコア（独自算出の注目度）: 27.323225283223817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Achieving a coherent integration of spectral richness and spatial fidelity remains a central objective in hyperspectral image fusion. However, existing hyperspectral image fusion methods struggle to effectively model geometric constraints. In the spatial domain, weak spatial-spectral interaction limits geometry-aware feature learning and suppresses high-frequency structural information, resulting in low-frequency bias and structural degradation. In the spectral domain, local manifold structures induced by spectral similarity are insufficiently exploited, limiting intrinsic pixel relationship modeling and fine-grained spectral reconstruction. To address these challenges, we propose a dual-domain manifold modeling (DDMM) framework. Specifically, we introduce a Topology-Aware Transformer (TPFormer) that combines global attention with neighborhood propagation, jointly modeling spatial topology and pixel-level feature manifold relationships to capture intrinsic spatial-spectral structures and improve topology-aware representation learning. Furthermore, a Frequency-Decoupled Spatial-Spectral Collaborative Fusion (FDSCF) module is devised, in which features are projected into the frequency domain via the discrete cosine transform and explicitly decoupled into low- and high-frequency components. Guided by a low-rank structural prior and spectral-driven spatial enhancement, FDSCF selectively enhances geometry-aware high-frequency features, strengthening spatia-spectral coupling and recovering sharper edges and finer textures. Extensive experiments on multiple benchmark datasets demonstrate that DDMM achieves superior overall performance over SoTA methods in terms of spatial structure preservation and spectral reconstruction.
- Abstract（参考訳）: スペクトルの豊かさと空間の忠実さのコヒーレントな統合を実現することは、ハイパースペクトル画像融合における中心的な目標である。
しかし、既存のハイパースペクトル画像融合法は、幾何学的制約を効果的にモデル化するのに苦労している。
空間領域において、弱い空間-スペクトル相互作用は幾何学的特徴学習を制限し、高周波構造情報を抑圧し、低周波バイアスと構造劣化をもたらす。
スペクトル領域では、スペクトル類似性によって誘導される局所多様体構造が不十分に活用され、固有画素関係モデリングと微細なスペクトル再構成が制限される。
これらの課題に対処するため,我々は2次元多様体モデリング(DDMM)フレームワークを提案する。
具体的には,空間トポロジと画素レベルの特徴多様体関係を共同でモデル化し,固有空間-スペクトル構造を捕捉し,トポロジ-アウェア表現学習を改善することを目的として,グローバルな注目と近隣伝播を融合したトポロジ-アウェア変換器(TPFormer)を提案する。
さらに、周波数分離型空間スペクトル協調融合(FDSCF)モジュールを考案し、離散コサイン変換により特徴を周波数領域に投影し、低周波成分と高周波成分に明示的に分離する。
低ランク構造とスペクトル駆動型空間拡張によって導かれるFDSCFは、幾何対応の高周波特性を選択的に強化し、スパティアとスペクトルの結合を強化し、よりシャープなエッジとより微細なテクスチャを回復する。
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、DDMMは空間構造保存とスペクトル再構成の観点から、SoTA法よりも全体的な性能が優れていることが示された。
関連論文リスト
- An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification [51.004475033276215]
2つのMPCデータセットを構築し,航空機搭載型MPC分類の注意点に基づく幾何スペクトル特徴学習フレームワークを提案する。
我々のモデルにおける重要な要素は、空間スペクトル特徴の表現能力を向上するアテンション機構を持つ2ストリーム特徴融合法である。
航空機搭載型MPCデータセットの2つの実験結果から,提案手法の有効性が実証された。
論文 参考訳（メタデータ） (2026-06-08T07:18:38Z) - FSCM: Frequency-Enhanced Spatial-Spectral Coupled Mamba for Infrared Hyperspectral Image Colorization [10.509841173943387]
本稿では、赤外色化のためのスペクトル情報誘導型GANフレームワークを提案する。
FSCM内では、カスケードFSBユニットからなる周波数増幅空間スペクトル状態空間ジェネレータが構築される。
実験により、FSCMは、視覚的品質と意味的忠実度において、既存の赤外色化法よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-13T15:48:58Z) - 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) - CoFusion: Multispectral and Hyperspectral Image Fusion via Spectral Coordinate Attention [2.7074235008521246]
MHIFは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)を統合することで高分解能画像を再構成することを目的としている。
既存の手法は、クロススケール相互作用と空間-スペクトルの協調をモデル化する際の限界に直面している。
本研究では,コフュージョン(CoFusion)を提案する。コフュージョン(CoFusion)は,空間スペクトルの相互依存と相互依存を明示的にモデル化する統合型共同融合フレームワークである。
論文 参考訳（メタデータ） (2026-04-12T11:07:24Z) - ASSR-Net: Anisotropic Structure-Aware and Spectrally Recalibrated Network for Hyperspectral Image Fusion [42.573141390377415]
ハイパースペクトル画像融合のための異方性構造認識・分光補正ネットワーク textbfASSR-Net を提案する。
ASSR-Netは、常に最先端の手法より優れており、より優れた空間的詳細保存とスペクトル整合性を実現している。
論文 参考訳（メタデータ） (2026-04-07T11:44:04Z) - Universal Pansharpening Foundation Model [67.10467574892282]
高分解能マルチスペクトル(MS)画像は、テクスチャリッチパンクロマティック(PAN)画像と低分解能MS画像からのスペクトル特性から空間的詳細を統合することで生成する。
本稿では,衛星非依存およびシーンロバスト融合のための普遍的パンシャーピング基盤モデルFoundPSを提案する。
論文 参考訳（メタデータ） (2026-03-04T08:30:15Z) - SpectralMamba-UNet: Frequency-Disentangled State Space Modeling for Texture-Structure Consistent Medical Image Segmentation [14.42559964239819]
本稿ではスペクトル領域における構造情報とテクスチャ情報の学習を分離するためにSpectralMamba-UNetを提案する。
5つの公開ベンチマークの実験では、様々なモダリティとセグメンテーションターゲットに対して一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-02-26T15:17:42Z) - PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。
この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
論文 参考訳（メタデータ） (2025-04-27T07:21:42Z) - 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) - Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。
我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。
提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
論文 参考訳（メタデータ） (2024-02-04T09:07:28Z)
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。