論文の概要: Interpretable Hyperspectral Unmixing Framework with Fixed Endmember Prior and Structured Residual Refinement
- arxiv url: http://arxiv.org/abs/2609.08786v1
- Date: Tue, 08 Sep 2026 14:18:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 15:42:29.785875
- Title: Interpretable Hyperspectral Unmixing Framework with Fixed Endmember Prior and Structured Residual Refinement
- Title（参考訳）: 固定終端前部と構造的残差を付加した解釈可能なハイパースペクトルアンミキシングフレームワーク
- Abstract要約: 本研究は,固定終端先行条件下での解釈可能なステージワイドハイパースペクトル・アンミキシング・フレームワーク(I-HyperSU)を提案する。
サムソン、アーバン、ジャスパーリッジのデータセットの実験では、固定的で不完全な終末の前の状態では、ソフトアブリダンス緩和はハード・プレックス・プロジェクションを一貫して上回ることを示した。
- 参考スコア（独自算出の注目度）: 10.38467383160934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral unmixing decomposes mixed pixels into material endmembers and their abundances from contiguous spectral observations. In modular sensing pipelines, endmembers are often first identified and then treated as fixed during abundance estimation. When this fixed endmember prior is inaccurate, spatially structured mismatch arising from illumination changes, sensor artifacts, or material boundaries may be incorrectly captured by the abundance variables, leading to unstable decompositions. This study presents an interpretable stage-wise hyperspectral unmixing framework (I-HyperSU) under fixed endmember priors, which is explicitly decomposed into a fixed endmember matrix $\mathbf{A}$, an abundance block $\mathbf{X}$, and a structural residual refinement block $\mathbf{S}$. The X-block estimates abundances using FISTA with nonnegativity and sparsity enhancement, and a soft penalty that approximately enforces sum-to-one constraints. The S-block jointly applies low-rank SVD structural regularization and a lightweight deep image prior (DIP) to refine structured residuals. This staged design makes the interaction between abundance and residual components transparent and interpretable. Experiments on Samson, Urban, and Jasper Ridge datasets demonstrate that, under fixed and imperfect endmember priors, soft abundance relaxation consistently outperforms hard simplex projection. Under the default N-FINDR endmember prior, the proposed framework reduces the joint reconstruction error by 61.7\%--69.5\% compared with a fixed-$\mathbf{A}$ UCLS baseline, while keeping the abundance RMSE nearly unchanged, indicating that the residual refinement branch accounts for structured model mismatch without degrading the abundance estimates. For example, on Urban, the reconstruction SAM decreases from $5.99^\circ$ for the X-only model to $1.92^\circ$ for the full model.
- Abstract（参考訳）: ハイパースペクトルアンミキシング(英語版)は、混合画素を、連続したスペクトル観測から材料エンドメンバーとそれらの豊富な部分に分解する。
モジュラーセンシングパイプラインでは、エンドメンバーが最初に識別され、アブリダンス推定時に固定される。
この固定端部材が不正確な場合、照明変化、センサアーティファクト、または材料境界から生じる空間的構造上のミスマッチが、その豊富な変数によって誤って捕捉され、不安定な分解を引き起こす。
本研究は, 固定終端員行列$\mathbf{A}$, abundance block $\mathbf{X}$, 構造的残留微細化ブロック$\mathbf{S}$に明示的に分解される, 固定終端員事前の下での解釈可能なステージワイド・ハイパースペクトル・アンミックス・フレームワーク(I-HyperSU)を提案する。
Xブロックは、FISTAの非負性および疎性強化と、ほぼ1対1の制約を強制するソフトペナルティを推定する。
Sブロックは、低ランクSVD構造規則化と軽量深部画像先行(DIP)を併用して構造残基を洗練させる。
この段階的な設計は、存在量と残留成分の相互作用を透過的かつ解釈可能にする。
サムソン、アーバン、ジャスパーリッジのデータセットの実験では、固定的で不完全な終末の前の状態では、ソフトアビダンス・リラクゼーションはハード・プレックス・プロジェクションを一貫して上回っている。
既定の N-FINDR エンドメンバーの既定では,提案手法は固定値$\mathbf{A}$ UCLS ベースラインに対して61.7\%--69.5\% の結合再構成誤差を減少させ,その一方で,構成モデルミスマッチに対する残差補正分枝が,豊富なモデル推定値の劣化を伴わずに説明できることを示した。
例えば、Urbanでは、再構成SAMはXのみのモデルで5.99^\circ$からフルモデルで1.92^\circ$へと減少する。
関連論文リスト
- Efficient and High-Quality Depth Estimation via Pixel-Space Diffusion with Linear Attention [10.565261122171906]
ラピス(Lapis)は、1段階拡散による効率的かつ高忠実な深さ推定を実現する生成フレームワークである。
粗い階層構造によってこれらの制限を修正します。
最新のSOTA(State-of-the-art)の精度と境界シャープネスを様々な解像度で一貫して達成する。
論文 参考訳（メタデータ） (2026-08-31T01:27:50Z) - SANE: State Anomaly Neutralization for Stable Extreme-Context Delta-Rule Models [53.86918766240095]
Delta-Ruleリカレントモデルは固定サイズの状態を維持しており、$O(1)$の推論メモリが可能であるが、極端なコンテキスト外挿では不安定になる可能性がある。
我々は,チャンク内並列構造を保ちながら,チャンク境界における適応$tanh$圧縮を適用したtextbfState Anomaly Neutralization (SANE)を提案する。
論文 参考訳（メタデータ） (2026-08-23T10:41:07Z) - Controllable Diversity in Normalization-Based Implicit Ensembles via Softmax-Temperature Modulation [0.9668407688201359]
$N-Ensは正規化に基づく暗黙のアンサンブルで、各メンバーをマルチタスクアーキテクチャのタスクとして扱う。
正規化層のみが複製されるため、このメカニズムは畳み込みやトランスフォーマーのバックボーンを包むことができる。
論文 参考訳（メタデータ） (2026-07-26T22:06:42Z) - Gradient-Based Latent Decomposition Reveals Mechanisms of Feature Degradation in Weakly Supervised Mammography [0.0]
弱教師付き階層モデルは永続的な非対称性を示す。
粗い病変型の特徴は再建時に保存され, 微粒な悪性度は低下する。
高次元空間では、1つの粗いスーパーバイザー信号が1次元の遅延方向のみを分離し、臨界きめ細かい特徴を弱い残留部分空間に強制する。
論文 参考訳（メタデータ） (2026-07-24T01:04:07Z) - DP-Splat: Bayesian Nonparametric Complexity Control for Gaussian Splatting [0.0]
3D Splattingは、密度制御またはユーザキャップによって構成される成分数$K$の異方性ガウスの有限混合を表す。
混合重みよりも対称対称ディリクレをトランクされた棒破れディリクレ過程に置き換える。
単調性保証,厳密なトランケーション・エラーを厳格に保証し,反保守的大エラー近似を一般的な使用法で補正する。
論文 参考訳（メタデータ） (2026-07-12T20:31:15Z) - Reinforcement Learning from Multi-Source Imperfect Preferences: Best-of-Both-Regimes Regret [71.69884486156359]
我々は, 累積的不完全化予算を用いて, エンフルティソースの不完全性選好からエピソードRLを考察した。
我々は,最良な登録行動を示す,後悔$tildeO(sqrtK/M+)$の統一アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-20T19:34:53Z) - Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳（メタデータ） (2026-02-26T00:47:51Z) - Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。
任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。
本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
論文 参考訳（メタデータ） (2026-02-19T17:21:15Z) - Singular Bayesian Neural Networks [1.2891210250935148]
ベイズニューラルネットワークはキャリブレーションされた不確かさを約束するが、標準平均体ガウス後方に対する$O(mn)$パラメータを必要とする。
我々は、ルベーグ測度に関して特異な後部を誘導し、ランク-$r$多様体に集中する。
複素項が $sqrtr(m+n)$ ではなく $sqrtm n$ としてスケールするPAC-Bayes 一般化境界を導出し、誤差を最適化とランク誘導バイアスに分解する損失境界を証明する。
論文 参考訳（メタデータ） (2026-01-30T23:06:34Z) - Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。
本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。
$|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
論文 参考訳（メタデータ） (2025-12-22T10:03:51Z) - FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
論文 参考訳（メタデータ） (2025-05-19T07:32:56Z)
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。