論文の概要: Dual Modality Prompted Diffusion Priors for Zero Shot Hyperspectral Pansharpening

• arxiv url: http://arxiv.org/abs/2608.11748v2
• Date: Wed, 19 Aug 2026 06:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 15:48:19.516576
• Title: Dual Modality Prompted Diffusion Priors for Zero Shot Hyperspectral Pansharpening
• Title（参考訳）: Zero Shot Hyperspectral Pansharpening におけるDual Modality Prompted Diffusion Presor
• Authors: Pengwei Xie, Fei Zhu, Jiajun Li, Xiangyuan Liu, Xiangyuan Liu, Kangqing Shen, Gemine Vivone,
• Abstract要約: 高分解能ハイパースペクトル(HRHS)画像をパンクロマティック(PAN)画像と低分解能ハイパースペクトル(LRHS)画像から再構成することを目的としている。 最近の拡散法は、低次元の表現を生成し、それをハイパースペクトル領域にマッピングすることで、事前訓練された画像の先行値を利用する。 マルチモード画像プロンプテッド拡散モデル(DIDM)を提案する。
• 参考スコア（独自算出の注目度）: 21.84902245687311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral pansharpening aims to reconstruct a high resolution hyperspectral (HRHS) image from a panchromatic (PAN) image and a low resolution hyperspectral (LRHS) image while preserving both spatial details and spectral fidelity. Recent diffusion based methods exploit pretrained image priors by generating a low dimensional representation and subsequently mapping it to the hyperspectral domain. However, the observed panchromatic and hyperspectral images are typically imposed only through external reconstruction objectives, limiting their direct interaction with the diffusion prior. To address this issue, we propose dual-modality image-prompted diffusion model (DIDM) for zero shot hyperspectral pansharpening. DIDM encodes the low resolution hyperspectral and panchromatic observations into spectral and spatial prompt tokens, respectively, and injects them into intermediate features of a frozen remote sensing diffusion model through cross attention, allowing complementary spectral and spatial information to directly guide diffusion feature evolution. In addition, we introduce a panchromatic guided weighted pixel aware total variation regularizer that combines low resolution hyperspectral degradation fidelity and panchromatic response fidelity with gradient adaptive structural regularization, thereby preserving structural discontinuities while suppressing spurious variations in homogeneous regions. Extensive experiments on Pavia, Chikusei, and Houston under reduced resolution protocols show that DIDM achieves the best performance across all evaluated metrics, while full resolution evaluation on FR1 yields the highest HQNR among the compared methods. These results demonstrate that internal dual modality prompting and panchromatic guided structural regularization provide an effective balance between spatial detail enhancement and spectral preservation.
• Abstract（参考訳）: パンクロマティック(PAN)画像と低分解能ハイパースペクトル(LRHS)画像から高分解能ハイパースペクトル(HRHS)画像を再構成することを目的とした。 近年の拡散法は、低次元の表現を生成し、その後ハイパースペクトル領域にマッピングすることで、事前訓練された画像の先行値を利用する。 しかし、観察されたパンクロマティック画像とハイパースペクトル画像は、通常、外部再構成目的によってのみ強制され、拡散前の直接相互作用に制限される。 この問題に対処するために、ゼロショットハイパースペクトルパンシャーピングのための2次元画像拡散モデル(DIDM)を提案する。 DIDMは、低分解能ハイパースペクトルとパンクロマティックな観察をそれぞれスペクトルと空間のプロンプトトークンにエンコードし、それらをクロスアテンションを通して凍結したリモートセンシング拡散モデルの中間特徴に注入することで、相補的なスペクトルと空間情報を拡散特性の進化を直接導くことができる。 さらに,低分解能ハイパースペクトル劣化フィデリティとパンクロマチック応答フィデリティを勾配適応型構造規則化と組み合わせ,均一領域の急激な変動を抑えつつ構造的不連続性を維持するパンクロマチック誘導重み付き画素認識全変動正規化器を導入する。 パヴィア、筑西、ヒューストンの高解像度化実験では、DIDMは全ての評価指標で最高の性能を達成し、FR1のフル解像度評価は比較手法の中で最高HQNRを達成している。 これらの結果から,内部二重モードの促進とパンクロマティックガイドによる構造規則化は,空間的詳細化とスペクトル保存のバランスに有効であることが示唆された。

関連論文リスト

• AnyBand-Diff: A Unified Remote Sensing Image Generation and Band Repair Framework with Spectral Priors [10.352581041881864]
  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。
  論文  参考訳（メタデータ） (2026-05-14T04:04:34Z)
• 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)
• SALAD-Pan: Sensor-Agnostic Latent Adaptive Diffusion for Pan-Sharpening [50.44337053599724]
  SALAD-Panは、効率的なパンシャーピングのためのセンサ非依存の潜時空間拡散法である。 バンドワイドの単一チャネルVAEを訓練し、高解像度のマルチスペクトル画像をコンパクトな潜在表現に符号化する。 拡散過程における高精度核融合と強いゼロショット(クロスセンサー)能力を実現する。
  論文  参考訳（メタデータ） (2026-02-04T12:01:07Z)
• Hyperspectral Image Generation with Unmixing Guided Diffusion Model [21.078386095749398]
  ハイパースペクトル画像合成(Hyperspectral image synthesis)は、サンプルの多様性を制限する条件付き生成パラダイムによって制約されているが、関心が高まり続けている問題である。 ハイパースペクトルアンミキシングによって明示的に導かれる拡散フレームワークを導入し,課題を克服する。 このアプローチは、(i)画像領域から低次元のアバンダンス多様体に生成を射影する未混合オートエンコーダと、(ii)非負性および和対1の制約を強制するアバンダンス拡散プロセスの2つの協調的なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-06-03T08:27:10Z)
• 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)
• 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)
• 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)
• 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。