論文の概要: Hyperspectral Diffusion Equivariant Imaging (HyDiff-EI): A Self-supervised Framework for Hyperspectral Image Inpainting
- arxiv url: http://arxiv.org/abs/2608.26812v1
- Date: Thu, 27 Aug 2026 08:49:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.316354
- Title: Hyperspectral Diffusion Equivariant Imaging (HyDiff-EI): A Self-supervised Framework for Hyperspectral Image Inpainting
- Title（参考訳）: Hyperspectral Diffusion Equivariant Imaging (HyDiff-EI): Hyperspectral Image Inpaintingのための自己監督型フレームワーク
- Abstract要約: HyDiff-EIは、単一の破損したハイパースペクトル画像から直接学習するテスト時間最適化フレームワークである。
HSIの固有の幾何学的対称性と本質的な特性を活用することで、HyDiff-EIは生成拡散モデリングと自己一貫性の物理的先行とのギャップを埋める。
- 参考スコア（独自算出の注目度）: 7.958168502388399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A novel Hyperspectral diffusion Equivariant Imaging (HyDiff-EI) framework for solving the hyperspectral image (HSI) inpainting problem has been presented here. Unlike conventional diffusion-based methods that rely on large-scale pretraining, HyDiff-EI is a test-time optimization framework that learns directly from a single corrupted HSI acquisition. This makes it flexible for different sensor configurations and particularly well-suited for practical remote sensing scenarios where large annotated hyperspectral datasets are limited. To address the ill-posed nature of unsupervised inpainting, we embed equivariant consistency constraints within the diffusion process. By leveraging the inherent geometric symmetries and intrinsic characteristics of HSIs, HyDiff-EI bridges the gap between generative diffusion modeling and self-consistent physical priors. We empirically show that coupling diffusion modeling with equivariant priors substantially enhances noise robustness and generalizability. Extensive experiments on real-world datasets including Chikusei, Botswana, and EMIT demonstrate that HyDiff-EI offers remarkable inpainting quality over existing self-supervised and diffusion-based algorithms in both noiseless and noisy cases.
- Abstract（参考訳）: ハイパースペクトル拡散同変イメージング(HyDiff-EI)フレームワークを新たに提案した。
大規模な事前学習に依存する従来の拡散法とは異なり、HyDiff-EIは単一の破損したHSI取得から直接学習するテスト時間最適化フレームワークである。
これにより、異なるセンサー構成に対してフレキシブルで、特に大きな注釈付きハイパースペクトルデータセットが制限された実用的なリモートセンシングシナリオに適しています。
教師なし塗装の不正な性質に対処するため、拡散過程に同変の一貫性制約を組み込む。
HSIの固有の幾何学的対称性と本質的な特性を活用することで、HyDiff-EIは生成拡散モデリングと自己一貫性の物理的先行とのギャップを埋める。
等変前の結合拡散モデルが雑音の頑健性と一般化性を大幅に向上させることを実証的に示す。
Chichisei, Botswana, EMITなどの実世界のデータセットに対する大規模な実験により、HyDiff-EIは、ノイズのないケースとノイズの多いケースの両方において、既存の自己教師付きおよび拡散ベースのアルゴリズムよりも顕著な塗装品質を提供することが示された。
関連論文リスト
- SHARE: A Fully Unsupervised Framework for Single Hyperspectral Image Restoration [9.908527979711902]
ハイパースペクトル画像(HSI)の復元は、計算画像とコンピュータビジョンの基本的な課題である。
本稿では、低ランクスペクトルモデリングと幾何同値原理を統一する、完全に教師なしのフレームワークであるSHAREを提案する。
提案手法は最先端の教師なし手法よりも優れており,教師付き手法に匹敵する性能を実現している。
論文 参考訳（メタデータ） (2026-01-20T14:01:13Z) - Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。
私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
論文 参考訳（メタデータ） (2025-11-24T01:13:51Z) - SGDFuse: SAM-Guided Diffusion for High-Fidelity Infrared and Visible Image Fusion [65.80051636480836]
本稿では,Segment Anything Model(SAM)によって導かれる条件拡散モデルを提案する。
このフレームワークは2段階のプロセスで動作し、まずマルチモーダルな特徴の予備的な融合を行い、その後、拡散モデルの粗大な分極生成を駆動する条件としてセマンティックマスクを利用する。
SGDFuseは主観的評価と客観的評価の両方において最先端の性能を発揮することを示す。
論文 参考訳（メタデータ） (2025-08-07T10:58:52Z) - Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。
拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
論文 参考訳（メタデータ） (2025-07-02T01:22:46Z) - 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) - G4Seg: Generation for Inexact Segmentation Refinement with Diffusion Models [38.44872934965588]
本稿では, 大規模テキスト・画像モデルを用いて不正確な拡散(IS)課題に取り組むことの問題点について考察する。
我々は,原画像とマスク条件生成画像とのパターンの相違を利用して,粗大なセグメント化改善を容易にする。
論文 参考訳（メタデータ） (2025-06-02T11:05:28Z) - BUFF: Bayesian Uncertainty Guided Diffusion Probabilistic Model for Single Image Super-Resolution [19.568467335629094]
ベイジアン不確実性誘導拡散確率モデル(BUFF)を紹介する。
BUFFは、ハイレゾな不確実性マスクを生成するためにベイズネットワークを組み込むことで、自分自身を区別する。
複雑なテクスチャと細部が特徴の領域において、人工物やぼやけを著しく軽減する。
論文 参考訳（メタデータ） (2025-04-04T14:43:45Z) - StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic
Correlation Diffusion Model [46.68717345017946]
ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。
意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。
提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
論文 参考訳（メタデータ） (2023-05-21T09:21:41Z) - DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for
Hyperspectral Image Restoration [103.79030498369319]
ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。
textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。
HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
論文 参考訳（メタデータ） (2023-03-12T14:57:04Z)
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。