論文の概要: Benchmarking Hyperspectral Foundation Models for Hyperspectral Unmixing

• arxiv url: http://arxiv.org/abs/2609.28283v1
• Date: Wed, 23 Sep 2026 15:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.097238
• Title: Benchmarking Hyperspectral Foundation Models for Hyperspectral Unmixing
• Title（参考訳）: ハイパースペクトルアンミックスのためのハイパースペクトル基礎モデルのベンチマーク
• Abstract要約: ハイパースペクトルアンミックスのための基礎モデルの性能について検討する。 4つのハイパースペクトルアンミキシングデータセット上で、最先端のパフォーマンスに到達できることが示される。
• 参考スコア（独自算出の注目度）: 5.707288648736415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several foundation models dedicated to hyperspectral images have recently been made available. These models are trained on large unlabeled datasets and exhibit strong performance on many hyperspectral imaging tasks, such as classification or denoising. Nonetheless, their performance for hyperspectral unmixing -- the task of separating mixed spectra of overlapping materials in a hyperspectral image -- remain understudied. This might partly be due to the fact that most of them rely on vision transformer backbones, including patchification, leading to a feature resolution problem. While hyperspectral unmixing already arises from the low resolution of hyperspectral images, this patchification step potentially makes the problem even more ill-posed. Therefore, in this work, we aim to answer two questions: 1) \emph{how do foundation models perform in hyperspectral unmixing?}; 2) \emph{how to tackle the feature-level loss of resolution?} To answer the first question, we benchmark foundation models for unmixing, showing that they can reach state-of-the-art performance on four hyperspectral unmixing datasets. To answer the second question, we compare several feature upsampling approaches and empirically show that using a simple one can lead to high performance results. The code is available at https://gitlab.telecom-paris.fr/ring/hfm-hsu.git.
• Abstract（参考訳）: ハイパースペクトル画像専用のいくつかの基礎モデルが最近利用可能になった。 これらのモデルは、大きなラベルのないデータセットでトレーニングされ、分類やデノイングなど、多くのハイパースペクトルイメージングタスクで強いパフォーマンスを示す。 それにもかかわらず、ハイパースペクトルアンミキシング(ハイパースペクトル画像中の重なり合う物質の混合スペクトルを分離するタスク)のパフォーマンスについては、まだ検討が続けられている。 これは、ほとんどの場合、パッチを含むヴィジュアルトランスフォーマーのバックボーンに依存しており、特徴解決の問題に繋がったためかもしれない。 ハイパースペクトルアンミキシングは、ハイパースペクトル画像の低分解能から既に発生しているが、このパッチ化のステップにより、この問題はさらに悪化する可能性がある。 そこで本研究では,2つの疑問に答える。 1) 基礎モデルはハイパースペクトルアンミックスにおいてどのように機能するのか? と記す。 2) \emph{how to tackle the feature-level loss of resolution? 最初の質問に答えるために、私たちはアンミックスのための基礎モデルをベンチマークし、4つのハイパースペクトルアンミックスデータセットで最先端のパフォーマンスに到達できることを示しました。 2つ目の質問に答えるために、いくつかの機能アップサンプリングアプローチを比較し、単純なものを使用することで高いパフォーマンスが得られることを実証的に示す。 コードはhttps://gitlab.telecom-paris.fr/ring/hfm-hsu.gitで公開されている。

関連論文リスト

• A Two-step Linear Mixing Model for Unmixing under Hyperspectral Variability [1.6061490167492505]
  スペクトルアンミキシングは、ハイパースペクトル画像処理の研究分野において重要な課題である。 線形混合モデルは、その単純さと使いやすさから注目を集めている。 モデルが競争力があり、場合によっては既存の未混合手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-24T14:44:40Z)
• Grayscale to Hyperspectral at Any Resolution Using a Phase-Only Lens [0.0]
  我々は、HxWグレースケールのスナップショット測定から、HxWx31ハイパースペクトル像を再構成する問題について検討する。 我々は,小さなパッチで動作する条件付き偏差拡散モデルを訓練することにより,限られたデータの利用を効率的に行う。 実験の結果,パッチサイズはPSFほど小さく,良好な結果が得られた。
  論文  参考訳（メタデータ） (2024-12-03T20:00:21Z)
• Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
  科学と工学において、ゴールは、ある画像のモダリティを記述する既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。 モチベートされたスコアベース拡散モデルはその経験的成功により、画像再構成に先立って模範の印象的な候補として現れた。
  論文  参考訳（メタデータ） (2024-03-25T15:58:26Z)
• Simultaneous Image-to-Zero and Zero-to-Noise: Diffusion Models with Analytical Image Attenuation [53.04220377034574]
  高品質(未条件)な画像生成のための前方拡散プロセスに解析的画像減衰プロセスを導入することを提案する。 本手法は,フォワード画像からノイズへのマッピングを,テクスチメジからゼロへのマッピングとテクスティケロ・ツー・ノイズマッピングの同時マッピングとして表現する。 我々は,CIFAR-10やCelebA-HQ-256などの無条件画像生成や,超解像,サリエンシ検出,エッジ検出,画像インペインティングなどの画像条件下での下流処理について実験を行った。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)
• Markup-to-Image Diffusion Models with Scheduled Sampling [111.30188533324954]
  画像生成の最近の進歩に基づき,画像にマークアップを描画するためのデータ駆動型アプローチを提案する。 このアプローチは拡散モデルに基づいており、デノナイジング操作のシーケンスを用いてデータの分布をパラメータ化する。 数式(La)、テーブルレイアウト(HTML)、シート音楽(LilyPond)、分子画像(SMILES)の4つのマークアップデータセットの実験を行った。
  論文  参考訳（メタデータ） (2022-10-11T04:56:12Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Degradation-agnostic Correspondence from Resolution-asymmetric Stereo [96.03964515969652]
  テレワイドカメラシステムで取得した解像度の異なる2枚の画像からステレオマッチングの問題を考察する。 特徴量整合性という画像空間の代わりに特徴空間に2つのビュー間の整合性を課すことを提案する。 測光損失をトレーニングしたステレオマッチングネットワークは最適ではないが, 特徴抽出器は劣化に依存しない, マッチング特有の特徴を生成できる。
  論文  参考訳（メタデータ） (2022-04-04T12:24:34Z)
• A distribution-dependent Mumford-Shah model for unsupervised hyperspectral image segmentation [3.2116198597240846]
  本稿では、新しい教師なしハイパースペクトルセグメンテーションフレームワークを提案する。 これは、MNF(Minimum Noise Fraction)変換によって、デノゲーションと次元の低減ステップから始まる。 我々は、高スペクトルデータの課題に対処するために、新しい頑健な分布依存型インジケータ機能を備えたMS関数を実装した。
  論文  参考訳（メタデータ） (2022-03-28T19:57:14Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)

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。