論文の概要: S3D-Mosaic: Subgradient-Guided Cross-Band Structure Transfer for Spectral Demosaicing

• arxiv url: http://arxiv.org/abs/2610.24414v1
• Date: Sat, 17 Oct 2026 03:29:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:49:29.199829
• Title: S3D-Mosaic: Subgradient-Guided Cross-Band Structure Transfer for Spectral Demosaicing
• Title（参考訳）: S3Dモザイク:スペクトル復調のための下位誘導クロスバンド構造移動
• Abstract要約: S3D-Mosaicは、段階的に誘導されるクロスバンド構造伝達フレームワーク上に構築されたモデルに基づくスペクトル復調法である。 S3D-Mosaic は、CAVE と NTIRE 2022 で最先端の教師なし手法より優れており、MSFA のレイアウト、パンモザイク融合、実際の UAV データにしっかりと適応している。
• 参考スコア（独自算出の注目度）: 8.69899806792229
• License:
• Abstract: Multispectral filter array (MSFA) imaging enables snapshot spectral acquisition, but its per-band sparse sampling causes severe spatial aliasing. Although missing spatial structures can be inferred across bands, wavelength-dependent contrast variations make direct cross-band transfer unreliable. Existing model-based methods lack explicit magnitude-invariant mechanisms, and learning-based methods require layout-specific training or per-image tuning, limiting generalization. To address these issues, we propose S3D-Mosaic, a model-based spectral demosaicing method built upon a subgradient-guided cross-band structure transfer framework. We first establish a subgradient-guided regularization framework with a generalized cosine-similarity interpretation, providing a convex mechanism for magnitude-invariant information transfer. Then we design a compact Directional Sparse Equivariant Difference Convolution (DSE-DConv) for band-level extraction of orientation-selective, high-frequency structure features at low computational cost. Instantiating the framework with DSE-DConv on spectrally adjacent bands yields a cross-band self-structure similarity regularizer for spectral demosaicing, which we optimize via a dual-scan ADMM algorithm that decouples the bidirectional dependency while propagating magnitude-robust structural information across bands. With DSE-DConv's two parameters trained once via self-supervision, S3D-Mosaic outperforms state-of-the-art unsupervised methods on CAVE and NTIRE 2022, and generalizes robustly to varying MSFA layouts, pan-mosaic fusion, and real-world UAV data with fixed reconstruction hyperparameters. The source code is available at \url{https://github.com/bestwishes43/S3D-Mosaic}.
• Abstract（参考訳）: マルチスペクトルフィルタアレイ(MSFA)イメージングは、スナップショットスペクトル取得を可能にするが、バンドごとのスパースサンプリングは、深刻な空間エイリアスを引き起こす。 空間構造の欠如は帯域間で推測できるが、波長依存性のコントラスト変化は直接クロスバンド転送を信頼できない。 既存のモデルベースのメソッドには明確な大きさ不変のメカニズムがなく、学習ベースのメソッドではレイアウト固有のトレーニングやイメージ単位のチューニングが必要で、一般化が制限される。 これらの問題に対処するために,段階的に誘導されるクロスバンド構造伝達フレームワーク上に構築されたモデルに基づくスペクトル復調手法であるS3D-Mosaicを提案する。 まず、一般化されたコサイン類似性解釈を用いて、次数不変情報伝達のための凸機構を提供する、段階的誘導正規化フレームワークを確立する。 そこで我々は,方向選択型,高周波数構造特徴の帯域レベル抽出のためのDSE-DConv(Directional Sparse Equivariant difference Convolution)を低コストで設計する。 DSE-DConvをスペクトル隣り合うバンド上でフレームワークを組み込むことにより、スペクトル復調のためのクロスバンドな自己構造類似性レギュレータが得られ、バンド間の大域的構造情報を伝搬しながら双方向依存を分離するデュアルスキャンADMMアルゴリズムを用いて最適化する。 DSE-DConvの2つのパラメータは、自己超越によってトレーニングされ、S3D-MosaicはCAVEとNTIRE 2022で最先端の教師なし手法を上回り、様々なMSFAレイアウト、パンモザイク融合、実際のUAVデータを固定された再構成ハイパーパラメータで堅牢に一般化する。 ソースコードは \url{https://github.com/bestwishes43/S3D-Mosaic} で公開されている。

関連論文リスト

• Bidirectional Adaptive Transformers for Multimodal Anomaly Detection [21.643874347903406]
  本研究では,多モード異常検出のための双方向適応変換器(BAT)フレームワークを提案する。 BATは、モジュール間の相補的属性を活用することで、包括的でセマンティックに整合したマルチモーダル表現を構成する。 MVTec 3D-ADとEyecandiesの実験により、BATが最先端の異常検出性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-10-10T05:35:15Z)
• FDR-Occ: Factorized Dense Routing for Full-Spectrum 3D Occupancy Prediction [63.738631229597274]
  視覚に基づく3次元占有予測は、基本的に2次元から3次元のビュー変換に依存している。 現在のパラダイムは、厳密でスパースなカメラ線にルーティング行列を人工的に制限する明示的な物理射影を主に利用している。 本稿では,このボトルネックを解消するためにFDR(Facterized Dense Routing)を提案する。 本フレームワークは,Occ3D-nuScenesおよびOcc3D-Waymoベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-07-04T11:12:42Z)
• FLUX3D: High-Fidelity 3D Gaussian Generation with Diffusion-Aligned Sparse Representation [48.928051741750124]
  本稿では,画像から3DGSまでのスケーラブルなフレームワークを提案し,生成時の表現学習と相互モーダルアライメントを向上する。 FLUX3Dは外観の忠実さを大幅に改善し、高品質な3DGSの資産を生み出すのに最先端(SOTA)の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-23T17:52:21Z)
• MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
  本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
  論文  参考訳（メタデータ） (2026-06-22T10:14:06Z)
• DiffCrossGait: Trajectory-Level Alignment for 2D-3D Cross-Modal Gait Recognition via Latent Diffusion [5.766298616867406]
  クロスモーダルな2D-3D歩行認識は、2Dシルエットと3D LiDARレンジビュー表現のドメインの相違によって阻害される。 DiffCrossGaitを提案する。これは、同一性関連潜伏拡散空間における軌跡レベルのアライメントとして、クロスモーダルマッチングを再構成する。
  論文  参考訳（メタデータ） (2026-05-29T04:56:15Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• One-Shot Refiner: Boosting Feed-forward Novel View Synthesis via One-Step Diffusion [57.824020826432815]
  スパース画像から高忠実性ノベルビュー合成(NVS)を実現するための新しいフレームワークを提案する。 ViTバックボーンによって制限されることなく高解像度画像を処理できるデュアルドメイン詳細知覚モジュールを設計する。 我々は,修復過程において高周波の詳細を保存できる特徴誘導拡散ネットワークを開発した。
  論文  参考訳（メタデータ） (2026-01-20T17:11:55Z)
• Coarse-Fine Spectral-Aware Deformable Convolution For Hyperspectral Image Reconstruction [15.537910100051866]
  Coded Aperture Snapshot Spectral Imaging (CASSI) の逆問題について検討する。 粗面スペクトル対応変形性畳み込みネットワーク(CFSDCN)を提案する。 我々のCFSDCNは、シミュレーションされたHSIデータセットと実際のHSIデータセットの両方において、従来の最先端(SOTA)メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-18T15:15:12Z)
• Hyperspectral Band Selection based on Generalized 3DTV and Tensor CUR Decomposition [8.812294191190896]
  ハイパースペクトルイメージングはリモートセンシングにおいて重要な技術である。 高次元とデータボリュームは、重大な計算上の課題を生じさせる。 データを低ランクで滑らかな成分とスパース成分に分解することで,新しいスペクトル帯域選択モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-02T02:23:38Z)

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。