論文の概要: Super-Resolving Unseen Hyperspectral Sensors at Any Scale via Spatial Operators
- arxiv url: http://arxiv.org/abs/2609.39926v1
- Date: Wed, 30 Sep 2026 15:12:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.965149
- Title: Super-Resolving Unseen Hyperspectral Sensors at Any Scale via Spatial Operators
- Title（参考訳）: 空間演算子を用いた超解像型ハイパースペクトルセンサ
- Abstract要約: 我々はスペクトル値ではなく帯域共有空間演算子を予測するOmniHSRを提案する。
クロススペクトルマッピング(CSM)は、任意のバンドの入力を一定の基準位置へ再サンプリングする。
連続演算子-フィールド再構成(COFR)は、これらの演算子を連続体に構成し、任意のスケールの再構成のために全ての元のバンドに適用する。
- 参考スコア（独自算出の注目度）: 17.705637288312452
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving cross-sensor generalization and arbitrary-scale reconstruction with a single model remains challenging in hyperspectral super-resolution (HSR). Although recent methods support arbitrary-scale reconstruction, applying them to new sensors or scales beyond the training range often requires additional data and computation to maintain reconstruction quality. To address these challenges, we propose OmniHSR, which predicts band-shared spatial operators rather than spectral values. Cross-Spectral Mapping (CSM) resamples inputs with any number of bands to fixed reference positions and predicts local operators with Gaussian supports. Continuous Operator-Field Reconstruction (COFR) composes these operators into a continuous field and applies them to all original bands for arbitrary-scale reconstruction. Experiments demonstrate that operator prediction outperforms direct spectral-value prediction on all seven datasets. Trained solely on ARAD with only 0.538M parameters, OmniHSR outperforms all directly transferred baselines on six unseen datasets without target-domain training data or adaptation. Across twelve upsampling factors from $\times2$ to $\times48$, it improves average PSNR on Pavia U and Chikusei by 0.55 dB over the strongest baseline. It also surpasses baselines trained from scratch or adapted on the target sensor and achieves up to $36\times$ faster inference. Our code will be publicly released soon.
- Abstract（参考訳）: ハイパースペクトル超解像(HSR)では, クロスセンサの一般化と単一モデルによる任意のスケール再構成が困難である。
近年の手法は任意のスケールの再構築をサポートするが、新しいセンサーや訓練範囲を超えるスケールに適用するには、復元品質を維持するために追加のデータと計算が必要であることが多い。
これらの課題に対処するため、スペクトル値ではなく帯域共有空間演算子を予測するOmniHSRを提案する。
クロススペクトルマッピング(CSM)は、任意のバンドの入力を固定された参照位置に再サンプリングし、ガウス的サポートを持つローカル演算子を予測する。
連続演算子-フィールド再構成(COFR)は、これらの演算子を連続体に構成し、任意のスケールの再構成のために全ての元のバンドに適用する。
実験により、演算子予測は7つのデータセット全てにおいて直接スペクトル値予測よりも優れていることが示された。
OmniHSRは、わずか0.538MパラメータでARADでのみトレーニングされており、ターゲットドメインのトレーニングデータや適応なしに、6つの未確認データセット上で直接転送されたベースラインを上回ります。
12のアップサンプリング係数を$\times2$から$\times48$とすると、パヴィアUと筑西の平均PSNRは最強のベースラインよりも0.55dB向上する。
また、スクラッチからトレーニングされたベースラインや、ターゲットセンサーに適応したベースラインを超え、最大36ドル(約3,300円)の高速推論を実現している。
私たちのコードはまもなく公開されます。
関連論文リスト
- GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - Beyond Simulation: Retain-and-Repair Neural Operators for Real-World Adaptation [4.6894180050630005]
本稿では,シミュレーション予測演算子を実世界のデータに適用するためのフレームワークであるRetain-and-Repair Neural Operator (R$2$NO)を紹介する。
このフレームワークは、実際のデータから学んだ細胞固有の選択として適応深さを扱う。
すべてのRealPDEBenchシステムと6つのバックボーンにおいて、R$2$NOは完全な微調整と反復的な洗練を一貫して上回っている。
論文 参考訳（メタデータ） (2026-09-30T09:35:06Z) - Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳（メタデータ） (2026-09-16T15:34:21Z) - Hierarchical Adaptive Feature Refinement Network for VHR Remote Sensing Image Segmentation [15.24999553337715]
本稿では,階層的表現を適応的に整理・洗練する進歩的改良フレームワークHAFR-Netを提案する。
マッチしたSwin-Bトレーニングとシングルスケール推論プロトコルの下で、HAFR-Netは84.12%、87.86%、55.17%、67.70%mIoUを達成した。
論文 参考訳（メタデータ） (2026-08-16T09:26:58Z) - RODS: Reward-Driven Online Data Synthesis for Multi-Turn Tool-Use Agents [13.362388357375082]
マルチターンツール利用RLは、静的データセットにおける情報的サンプルの迅速な枯渇によってボトルネックとなる。
本稿では, RODS (Reward-driven Online Data Synthesis) を提案する。
論文 参考訳（メタデータ） (2026-06-17T13:13:32Z) - 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) - VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors [49.39553550491549]
VFMReconは, シーンレベルの神経再構成において, スケール一貫性の要求を満たすトランスファー可能なVFMプリエントをブリッジする最初の試みである。
具体的には、まず、マルチビュースケールコヒーレンスを復元する軽量なスケールアライメントステージを導入する。
次に、トレーニング済みのVFM機能を、軽量なタスク固有アダプタを介して、ニューラルボリューム再構築パイプラインに統合する。
論文 参考訳（メタデータ） (2026-03-13T05:00:44Z) - R-Tuning: Wavelet-Decomposed Replay and Semantic Alignment for Continual Adaptation of Pretrained Time-Series Models [15.189716355297326]
Replay Tuning (R-Tuning) は、事前訓練された時系列モデルの継続的な適応のために設計された新しいフレームワークである。
R-Tuningは、周波数対応の再生戦略を通じて、前と現在のタスク知識の両方をキャプチャする統合潜在空間を構築する。
論文 参考訳（メタデータ） (2025-11-12T08:32:08Z) - On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。
我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
論文 参考訳（メタデータ） (2025-07-25T19:58:44Z) - OpenEarthSensing: Large-Scale Fine-Grained Benchmark for Open-World Remote Sensing [57.050679160659705]
オープンワールドリモートセンシングのための大規模きめ細かいベンチマークである textbfOpenEarthSensing (OES) を紹介する。
OESには189のシーンとオブジェクトのカテゴリが含まれており、現実世界で起こりうる潜在的なセマンティックシフトの大部分をカバーしている。
論文 参考訳（メタデータ） (2025-02-28T02:49:52Z) - RSAR: Restricted State Angle Resolver and Rotated SAR Benchmark [61.987291551925516]
単位円制限損失を組み込んで角度予測精度を向上させるユニットサイクルリゾルバを導入する。
提案手法は,既存の最先端教師あり手法の性能を効果的に向上させることができる。
UCRの助けを借りて、これまでで最大の多クラス回転SARオブジェクト検出データセットであるRSARをさらに注釈し、導入する。
論文 参考訳（メタデータ） (2025-01-08T11:41:47Z)
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。