論文の概要: HyperSAM: A Promptable Foundation Model for Hyperspectral Remote Sensing
- arxiv url: http://arxiv.org/abs/2609.37340v1
- Date: Tue, 29 Sep 2026 12:10:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.459032
- Title: HyperSAM: A Promptable Foundation Model for Hyperspectral Remote Sensing
- Title（参考訳）: HyperSAM: ハイパースペクトルリモートセンシングの基礎モデル
- Abstract要約: 本稿では,データ中心のハイパースペクトル合成パイプラインとSegment Anything Model 3 (SAM3)に基づくスペクトル適応アーキテクチャを結合した,高速なハイパースペクトル基盤モデルを提案する。
データ側では、HyperSAMは物理インフォームド・アバンダンス・トランスファー・ジェネレータを通して高解像度のSpaceNetマルチスペクトル画像からフルスペクトル超スペクトル立方体を合成する。
モデル側の最新の実装では、凍ったSAM3 RGBイメージブランチ、RGBビジョン変換器(ViT)のトレーニング可能なハイパースペクトルサイドエンコーダ、コントロールネットスタイルのゼロ空間特徴注入、ライトウェイトなミキシングオブエキスパートマスクリファクタが使用されている。
- 参考スコア（独自算出の注目度）: 57.56800341740446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral remote sensing provides dense spectral measurements that are indispensable for material-level Earth observation, yet the construction of a general-purpose hyperspectral foundation model remains difficult. Two bottlenecks are especially limiting. First, large hyperspectral corpora rarely provide high spatial resolution together with reliable dense annotations. Second, many hyperspectral models are still trained almost from scratch, so the geometric and interactive priors learned by modern vision foundation models are not fully reused. To alleviate these issues, we \highlight{present} \textbf{HyperSAM}, a promptable hyperspectral foundation model that couples a data-centric hyperspectral synthesis pipeline with a spectral adaptation architecture based on Segment Anything Model 3 (SAM3). On the data side, HyperSAM synthesizes full-spectrum hyperspectral cubes from high-resolution SpaceNet multispectral imagery through a physics-informed abundance-transfer generator, while SAM3-derived pseudo-masks provide object-centric supervision. On the model side, the latest implementation uses a frozen SAM3 RGB image branch, a trainable hyperspectral side encoder initialized from the RGB vision transformer (ViT), ControlNet-style zero-initialized feature injection, and a lightweight mixture-of-experts mask refiner. To enhance training robustness against noisy pseudo-labels, Cross-modal Sample Selection (CromSS)-style confidence selection is incorporated for noisy-label weighting. Extensive experiments show that HyperSAM obtains strong generalization on diverse hyperspectral tasks (e.g., classification, anomaly detection, change detection, target detection, and airborne oil-spill mapping) and that high-quality synthetic hyperspectral data can be more effective than simply scaling noisy hyperspectral supervision.
- Abstract（参考訳）: ハイパースペクトルリモートセンシングは、物質レベルの地球観測に欠かせない密度のスペクトル測定を提供するが、汎用的なハイパースペクトル基盤モデルの構築は依然として困難である。
2つのボトルネックは特に限定的です。
第一に、大きな高スペクトルコーパスは、信頼性の高い高密度アノテーションと共に高空間分解能を提供することは滅多にない。
第二に、多くの超スペクトルモデルはいまだほとんどゼロから訓練されているため、現代の視覚基盤モデルで学べる幾何学的・インタラクティブな先行は、完全には再利用されていない。
これらの問題を緩和するために、データ中心のハイパースペクトル合成パイプラインとSegment Anything Model 3 (SAM3) に基づくスペクトル適応アーキテクチャを結合した、高速なハイパースペクトル基盤モデルである \textbf{HyperSAM} を提案する。
データ側では、HyperSAMは高解像度のSpaceNetマルチスペクトル画像から物理インフォームドアバンダンス・トランスファー・ジェネレータを介してフルスペクトル超スペクトル立方体を合成し、SAM3由来の擬似マスクはオブジェクト中心の監視を提供する。
モデル側の最新の実装では、凍ったSAM3 RGBイメージブランチ、RGBビジョン変換器(ViT)から初期化されたトレーニング可能なハイパースペクトルサイドエンコーダ、コントロールネットスタイルのゼロ初期化機能インジェクション、軽量なミキシングオブエキスパートマスクリファクタが使用されている。
ノイズのある擬似ラベルに対するトレーニングの堅牢性を高めるために、クロスモーダルサンプル選択(CromSS)スタイルの信頼度選択がノイズの多いラベル重み付けに組み込まれている。
広汎な実験により、HyperSAMは多様なハイパースペクトルタスク(分類、異常検出、変化検出、ターゲット検出、空中オイルスピルマッピングなど)の強力な一般化を実現し、高品質な合成ハイパースペクトルデータは単にノイズの多いハイパースペクトル監視をスケールするよりも効果的であることが示された。
関連論文リスト
- LESSViT: Robust Hyperspectral Representation Learning under Spectral Configuration Shift [29.791943499456426]
低ランク空間スペクトル ViT (LESSViT) は、クロススペクトル一般化のためのセンサフレキシブルアーキテクチャである。
空間スペクトルマスキングと階層チャネルサンプリングを分離したハイパースペクトルマスク付きオートエンコーダ(HyperMAE)を導入する。
論文 参考訳（メタデータ） (2026-05-18T15:22:26Z) - HyperVision: A Channel-Adaptive Ground-Based Hyperspectral Vision Pre-trained Backbone [20.52608763146186]
本研究は,第1の地上高スペクトル事前トレーニングバックボーンであるHyperVisionを提案する。
26の異なる地上ベースデータセットから15kイメージの収集に事前訓練されている。
タスク固有の方法と比較して最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-05-17T06:50:06Z) - HyperFM: An Efficient Hyperspectral Foundation Model with Spectral Grouping [8.058012251047336]
PACEミッションは、海洋色、エアロゾル、雲に関する前例のない超分光観測を提供する。
現在のハイパースペクトル基礎モデルは、PACEが取得した連続スペクトルシグネチャを解釈するのに苦労している。
我々は,グループ内およびグループ間スペクトルの注意を生かしたパラメータ効率の高いハイパースペクトル基盤モデルHyperFMを導入する。
PACEミッションの大規模ハイパースペクトルデータセットであるHyperFM250Kもリリースしています。
論文 参考訳（メタデータ） (2026-04-22T22:33:15Z) - HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection [25.314179467110666]
RGBベースのカモフラージュされた物体検出は、色とテクスチャがあいまいな現実のシナリオでは困難である。
イノベーションを促進するために、ハイパースペクトルカモフラージュされた物体検出のための最初の挑戦的なベンチマークであるHyperCODを導入する。
HCODにおけるSegment Anything Model(SAM)の適用のために,HSC-SAM(HyperSpectral Camouflage-aware SAM)を提案する。
HSC-SAMは、超スペクトル像をSAMの画像エンコーダに供給された空間マップと、適応的なプロンプトとして機能するスペクトルサリエンシマップに分解することで、巧みに再構成する。
論文 参考訳（メタデータ） (2026-01-07T09:26:32Z) - Hyperspectral Mamba for Hyperspectral Object Tracking [56.365517163296936]
Mamba (HyMamba) を用いた新しいハイパースペクトル物体追跡ネットワークを提案する。
状態空間モジュール(SSM)によるスペクトル、クロスディープス、時間モデリングを統一する。
HyMambaは、7つのベンチマークデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-09-10T03:47:43Z) - HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
Hyper SIGMAは、タスクやシーン間でHSI解釈を統合するビジョントランスフォーマーベースの基礎モデルである。
さらに,約450Kのハイパースペクトル画像を含む,事前学習のための大規模ハイパースペクトルデータセットHyperGlobal-450Kを構築した。
論文 参考訳（メタデータ） (2024-06-17T13:22:58Z) - Object Detection in Hyperspectral Image via Unified Spectral-Spatial
Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。
S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文 参考訳（メタデータ） (2023-06-14T09:01:50Z) - 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)
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。