論文の概要: Learning Spatial-Spectral Refinement and Calibrating Complementary Observations for Hyperspectral Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.05303v1
• Date: Fri, 04 Sep 2026 15:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.1097
• Title: Learning Spatial-Spectral Refinement and Calibrating Complementary Observations for Hyperspectral Image Super-Resolution
• Title（参考訳）: ハイパースペクトル画像の高分解能化のための空間スペクトル微細化の学習と相補的観察
• Abstract要約: Inlicit Neural Representation (TSR-ITNR) を用いた2段階再構成を提案する。 TSR-ITNRは暗黙のタッカー表現を学び、その低ランク係数とスペクトル基底を洗練させ、微細構造とバンド間相関をよりよく捉える。 複数のベンチマークデータセットに対する実験は、地上のトラストの監督なしに、強い量的、視覚的、およびスペクトル再構成性能を示す。
• 参考スコア（独自算出の注目度）: 10.566046888869828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral and multispectral image fusion (HMIF) aims to reconstruct a high-resolution hyperspectral image (HR-HSI) by combining the fine spatial details of a high-resolution multispectral image (HR-MSI) with the rich spectral information of a low-resolution hyperspectral image (LR-HSI). Recent advances in implicit neural representations (INRs) have enabled flexible coordinate-based modeling for HMIF; however, existing INR-based approaches may not fully capture fine-grained spatial structures and rich spectral dependencies. Moreover, the LR-HSI and HR-MSI are primarily incorporated through degradation-consistency constraints, leaving their complementary information underexploited. To address these limitations, we propose Two-Stage Reconstruction with Implicit Tensor Neural Representation (TSR-ITNR), a unified self-supervised framework integrating representation refinement and observation-guided calibration. In Stage 1, TSR-ITNR learns an implicit Tucker representation and refines its low-rank spatial coefficient tensor and spectral basis to better capture fine spatial structures and interband correlations. A fixed pretrained denoiser further provides a deep prior for the preliminary reconstruction. In Stage 2, parameter-free calibration derives complementary and noninterfering corrections from both observations to recover information insufficiently captured in Stage 1. Theoretical analysis establishes the geometry-preserving property of spectral refinement and the orthogonal complementarity of calibration. Extensive experiments on multiple benchmark datasets demonstrate strong quantitative, visual, and spectral reconstruction performance without ground-truth HR-HSI supervision. Beyond conventional reconstruction metrics, we further assess the effectiveness of TSR-ITNR using downstream semantic segmentation accuracy.
• Abstract（参考訳）: 高分解能ハイパースペクトル画像(HR-MSI)と高分解能ハイパースペクトル画像(LR-HSI)の豊富なスペクトル情報を組み合わせた高分解能ハイパースペクトル画像(HR-HSI)の再構成を目的とする。 近年の暗黙的神経表現(INR)の進歩により、HMIFの柔軟な座標に基づくモデリングが可能になったが、既存のINRベースのアプローチでは、きめ細かい空間構造やスペクトル依存性を十分に捉えることはできない。 さらに、LR-HSIとHR-MSIは、主に劣化一貫性の制約によって組み込まれており、相補的な情報は明らかにされていない。 これらの制約に対処するために、表現の洗練と観察誘導のキャリブレーションを一体化した自己教師型フレームワークであるインプシットテンソルニューラル表現を用いた2段階再構成(TSR-ITNR)を提案する。 ステージ1では、TSR-ITNRは暗黙のタッカー表現を学び、その低ランク空間係数テンソルとスペクトル基底を洗練し、微細な空間構造とバンド間相関をよりよく捉える。 固定された事前訓練されたデノイザーは、予備的な再構築のための深い事前を提供する。 ステージ2ではパラメータフリーキャリブレーション(パラメータフリーキャリブレーション)は、両方の観測結果から相補的および非干渉的な補正を導出し、ステージ1で不十分に取得された情報を回復する。 理論的解析は、スペクトル微細化の幾何保存特性とキャリブレーションの直交相補性を確立する。 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は、強い量的、視覚的、スペクトル的再構成性能を示し、HR-HSIの監督は行わない。 従来の再建指標以外にも,下流セマンティックセグメンテーションの精度を用いて,TSR-ITNRの有効性を更に評価する。

関連論文リスト

• Lightweight Interpretable RGB-Guided Hyperspectral Super-Resolution under Real Cross-resolution Misalignment [6.5685272845309255]
  RGB誘導ハイパースペクトル超解像は、高解像度のRGBガイドから低解像度のハイパースペクトル画像へ空間的詳細を転送する。 モデルベースGram-Schmidtization fusionとクロスモーダルフローアライメントを組み合わせた軽量かつ解釈可能なRGB誘導型HSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-01T10:55:11Z)
• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• DegBins: Degradation-Driven Binning for Depth Super-Resolution [57.61783461543096]
  DegBinsは、劣化駆動のビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークである。 DegBinsは、精度、堅牢性、一般化の観点から、既存の最先端メソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-10T16:17:11Z)
• 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)
• HSSDCT: Factorized Spatial-Spectral Correlation for Hyperspectral Image Fusion [11.994592153994482]
  ハイパースペクトル画像(HSI)融合は、低分解能HSIの豊富なスペクトル情報と高分解能マルチスペクトル画像(HR-MSI)の詳細な詳細を組み合わせることで、高分解能HSI(HR-HSI)を再構成することを目的としている。 近年の深層学習法は顕著な進歩を遂げているが, 受容野の制限, スペクトル帯域の冗長化, 自己意識の2次的複雑さに悩まされている。 これらの課題を克服するために,階層型空間スペクトル線量相関ネットワーク (HSSDCT) を提案する。
  論文  参考訳（メタデータ） (2026-01-31T03:24:03Z)
• SR$^{2}$-Net: A General Plug-and-Play Model for Spectral Refinement in Hyperspectral Image Super-Resolution [3.4888894498274747]
  HSI-SRは、スペクトル的に忠実で物理的に妥当な特性を維持しながら、空間分解能を高めることを目的としている。 これらの方法はしばしばバンド間のスペクトルの一貫性を無視し、刺激的な振動と物理的に不可解な人工物をもたらす。 本稿では,この問題に対処するための軽量なプラグ・アンド・プレイ方式であるSpectral Rectification Super-Resolution Network (SR$2$-Net)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T07:00:00Z)
• 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)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
  ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。 提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
  論文  参考訳（メタデータ） (2020-10-24T15:53:56Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• 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)
• Hyperspectral Super-Resolution via Coupled Tensor Ring Factorization [40.146997900687374]
  ハイパースペクトル超解像(HSR)は低分解能ハイパースペクトル像(HSI)と高分解能マルチスペクトル像(MSI)を融合して高分解能HSI(HR-HSI)を得る 本稿では,HSRのための新しいモデルである結合テンソルリング分解(CTRF)を提案する。 提案手法は,高分解能コアテンソルと高分解能コアテンソルをMSIから同時に学習し,HR-HSIをテンソルリング(TR)表現で再構成する。
  論文  参考訳（メタデータ） (2020-01-06T13:19:59Z)

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。