論文の概要: Agentic Multimodal Models for Environmental Hyperspectral Unmixing

• arxiv url: http://arxiv.org/abs/2609.01289v1
• Date: Tue, 01 Sep 2026 14:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.742804
• Title: Agentic Multimodal Models for Environmental Hyperspectral Unmixing
• Title（参考訳）: 環境ハイパースペクトルアンミックスのためのエージェントマルチモーダルモデル
• Authors: Michał Cholewa, Luca Ciampi, Nicola Messina, Przemysław Głomb, Giuseppe Amato,
• Abstract要約: アルゴリズムに依存しない大規模視覚言語モデル(LVLM)駆動のエージェントフレームワークを導入し,ハイパースペクトルアンミックスパイプラインの出力を改良する。 異なるモデル次数,抽出法,およびアブリダンス推定法を組み合わせた複数のモジュラーパイプラインに対して,同様の改良手法を適用した。 実験により,提案エージェントは終端濃度を常に改善し,回復したスペクトルシグネチャとアブリダンスマップを全般的に改善することが示された。
• 参考スコア（独自算出の注目度）: 6.494012773378926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral unmixing is a key task in remote sensing that aims to decompose mixed pixels in hyperspectral images into their constituent material signatures, or endmembers, and their fractional abundances. Conventional modular approaches estimate the scene composition through successive model-order estimation, endmember extraction, and abundance estimation stages, whose errors can lead to redundant or ambiguous candidate components and ultimately affect the recovered decomposition. We introduce an algorithm-agnostic, large vision-language model (LVLM)-driven agentic framework that refines the outputs of such pipelines rather than replacing their underlying numerical algorithms. Starting from an initial decomposition, the agent iteratively gathers complementary spectral and spatial evidence through dedicated tools, including spectral-library retrieval and abundance-map visualization, and modifies the active endmember set through merge and discard operations followed by abundance re-estimation. We apply the same refinement procedure to several modular pipelines combining different model-order, extraction, and abundance-estimation methods, and evaluate it on HYDICE Urban, Jasper Ridge, and Stonewall Playa. Experiments show that the proposed agent consistently improves endmember cardinality and generally improves the recovered spectral signatures and abundance maps across heterogeneous modular pipelines, while remaining competitive with integrated end-to-end unmixing methods, including CNN-AE, uDAS, and R-CoNMF. These results highlight the potential of tool-using LVLM agents to combine spectral and spatial evidence for algorithm-agnostic refinement of physically grounded hyperspectral unmixing decompositions. Code is publicly available at https://anonymous.4open.science/r/agentic-hu.
• Abstract（参考訳）: ハイパースペクトルアンミキシング(Hyperspectral unmixing)は、ハイパースペクトル画像中の混合画素を、その構成材料シグネチャまたはエンドメンバー、およびその分数量に分解することを目的としたリモートセンシングにおける重要なタスクである。 従来のモジュラーアプローチでは、連続したモデル順序推定、終端抽出、および豊富な推定段階を通じてシーン構成を推定し、エラーは冗長または曖昧な候補要素につながり、最終的に復元された分解に影響を与える。 本稿では,アルゴリズムに依存しない大規模視覚言語モデル (LVLM) を用いたエージェント・フレームワークを提案する。 最初の分解から始めると、エージェントは、スペクトル・ライブラリー検索や多量マップ可視化などの専用ツールを通じて、補完的なスペクトルおよび空間的証拠を反復的に収集し、マージ操作と破棄操作によりアクティブなエンドメンバーセットを修正し、その後、多量再推定を行う。 異なるモデル順序,抽出,および多量推定法を組み合わせた複数のモジュールパイプラインに対して,同様の改良手法を適用し,HYDICE Urban,Jasper Ridge,Stonewall Playaで評価する。 CNN-AE, uDAS, R-CoNMFを含む統合的なエンドツーエンドのアンミックス手法と競合しながら, 提案エージェントは終端濃度を一貫して改善し, 回復したスペクトルシグネチャと多量マップを均一に改善する。 これらの結果は、物理的に接地した超スペクトル非混合分解のアルゴリズムに依存しない改善のためのスペクトルと空間的証拠を組み合わせたツールを用いたLVLMエージェントの可能性を強調した。 コードはhttps://anonymous.4open.science/r/agentic-hu.comで公開されている。

関連論文リスト

• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• HiMix: Hierarchical Artifact-aware Mixup for Generalized Synthetic Image Detection [18.553551181447435]
  HiMixは、トレーニングディストリビューションを拡張し、アーティファクト対応表現を促進することで、一般化を促進する統一フレームワークである。 HiMixは最先端のパフォーマンスを実現し、未確認の偽造物への一般化を改善するために、適切に分離されたロジットを確立する。
  論文  参考訳（メタデータ） (2026-04-30T14:12:49Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• Latent Dirichlet Transformer VAE for Hyperspectral Unmixing with Bundled Endmembers [1.9336815376402718]
  ハイパースペクトルアンミックスのための潜在ディリクレ変換器変分オートエンコーダ(LDVAE-T)を提案する。 我々のモデルは、トランスフォーマーアーキテクチャのグローバルコンテキストモデリング機能と、潜在空間に先立ってディリクレによって課される物理的に意味のある制約を組み合わせる。 我々は、Samson、Jasper Ridge、HYDICE Urbanの3つのベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-11-21T20:15:37Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• Model-Guided Network with Cluster-Based Operators for Spatio-Spectral Super-Resolution [2.874893537471256]
  論文は、低分解能マルチスペクトル観測から高分解能ハイパースペクトル像を再構成する問題に対処する。 本稿では,共同分光超分解能問題を空間超分解能,スペクトル超分解能,融合タスクに明示的に分解するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T13:54:47Z)
• 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)
• Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$ Tensor Perturbation Bound [8.521132000449766]
  テンソルブロックモデルの一般化であるテンソル混合メンバーシップブロックモデルを提案する。 我々は,モデルの同定可能性を確立し,計算効率の良い推定手法を提案する。 本手法を実データおよびシミュレーションデータに適用し,個別のコミュニティメンバーシップを持つモデルから特定できない効果を示す。
  論文  参考訳（メタデータ） (2022-12-16T18:32:20Z)

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。