論文の概要: Manifold Prior Guided Deep Unfolding for Hyperspectral Image Reconstruction
- arxiv url: http://arxiv.org/abs/2610.27874v1
- Date: Tue, 20 Oct 2026 08:55:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.733046
- Title: Manifold Prior Guided Deep Unfolding for Hyperspectral Image Reconstruction
- Title（参考訳）: ハイパースペクトル画像再構成のためのマニフォールド事前ガイド深部展開法
- Abstract要約: 本研究では,2段階の多様体学習戦略を中心とした深層展開フレームワークを提案する。
データ整合性投影では、スペクトルバンドの重みを適応的に調節する事前誘導スペクトル重み機構が導入された。
Denoiser加群では、空間スペクトルの特徴の構造化を意識した抽出を実現するために、多様体誘導マンバが提案される。
- 参考スコア（独自算出の注目度）: 18.267517754311953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral Image (HSI) reconstruction has made substantial progress with the deep unfolding framework by decomposing the problem into a projection module and a denoiser module. Nevertheless, existing methods still exhibit limitations of insufficient matching with HSI data. The issues lie in two aspects: 1) the data-consistency projection module applies a fixed gradient descent step while ignoring the spectral content adaptivity of HSI; 2) the denoiser module either suffers from high computational complexity or is limited to the local receptive field, failing to efficiently capture the global spatial-spectral dependencies. In this paper, we propose a deep unfolding framework centered on a two-stage manifold learning strategy to obtain a degradation-free structural prior, which is then strategically injected into both the projection and denoiser modules. In the data-consistency projection, a prior-guided spectral weight mechanism is introduced to adaptively modulate the weight of spectral band. In the denoiser module, a manifold-guided Mamba is proposed to achieve the structure-aware extraction of spatial-spectral features through prior modulation. Quantitative and visual comparisons on synthetic and real-world datasets show that the proposed method significantly outperforms existing state-of-the-art approaches, while maintaining the structural interpretability of the unfolding framework. The code is available at https://github.com/SqLiu67/MPG-DU.
- Abstract（参考訳）: ハイパースペクトル画像(HSI)の再構成は、問題をプロジェクションモジュールとデノイザモジュールに分解することで、深い展開フレームワークで大幅に進歩した。
それでも既存の手法では、HSIデータとの整合性に限界がある。
問題は2つの側面にある。
1)データ一貫性プロジェクションモジュールは、HSIのスペクトル内容適応性を無視しつつ、一定の勾配降下ステップを施す。
2)デノイザーモジュールは,高い計算複雑性に悩まされるか,あるいは局所受容野に制限されるかのいずれかであり,グローバル空間スペクトル依存性を効率的に捉えることができない。
本稿では,2段階の多様体学習戦略を中心とした深層展開フレームワークを提案する。
データ整合性投影では、スペクトルバンドの重みを適応的に調節する事前誘導スペクトル重み機構が導入された。
Denoiserモジュールでは、事前変調による空間スペクトルの特徴の構造化と抽出を実現するために、多様体誘導マンバが提案されている。
合成および実世界のデータセットにおける定量的および視覚的比較により、提案手法は、展開フレームワークの構造的解釈性を維持しながら、既存の最先端手法よりも著しく優れていることを示す。
コードはhttps://github.com/SqLiu67/MPG-DUで公開されている。
関連論文リスト
- CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction [3.7567584936415166]
スパースビューCT (Sparse-view Computed Tomography) はプロジェクションビューを少なくすることで放射線線量を減らすが、結果として生じる逆問題は非常に悪化する。
既存のディープリコンストラクション手法は有望な性能を達成したが、多くは1次更新や大規模な正規化ネットワークに依存している。
スパース・ビューCT再構成のための2次最適化にインスパイアされた,コンパクトなディープ・アンローリング・フレームワークである textbfCG-GLORE を提案する。
論文 参考訳（メタデータ） (2026-08-15T14:08:44Z) - ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。
本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。
提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
論文 参考訳（メタデータ） (2026-07-14T07:06:46Z) - 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) - Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。
事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。
高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。
本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。
SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
論文 参考訳（メタデータ） (2026-05-23T17:42:25Z) - Hierarchical Dual-Subspace Decoupling for Continual Learning in Vision-Language Models [63.169731309799324]
クラスインクリメンタルラーニングは、学習前の情報を保存しながら、新たな知識を継続的に獲得することを目的としており、破滅的な忘れを軽減している。
視覚言語モデルにおける連続学習のための階層型デュアルサブスペースデカップリングフレームワークであるHDSDを提案する。
具体的には、パラメータ空間を一般およびタスク固有の部分空間に明示的に分解する軽量な特徴変調モジュール(FMM)を導入する。
論文 参考訳（メタデータ） (2026-05-08T09:42:05Z) - Efficient Image Super-Resolution with Multi-Scale Spatial Adaptive Attention Networks [3.4782736103257323]
本稿では,マルチスケール空間適応注意ネットワーク(MSAAN)と呼ばれる,軽量画像超解像(SR)ネットワークを提案する。
提案手法のコアとなるのは,局所的な細部と長期のコンテキスト依存性を協調的にモデル化する,マルチスケール空間適応型注意モジュール(MSAA)である。
論文 参考訳（メタデータ） (2026-02-22T07:47:39Z) - Pyramidal Adaptive Cross-Gating for Multimodal Detection [0.0]
PACGNetは、バックボーン内で深い融合を実行するように設計されたアーキテクチャである。
Pモジュールは、プログレッシブ階層的ゲーティング機構を通じて特徴階層を再構築する。
私たちのPACGNetは、mAP50スコアがそれぞれ81.7%と82.1%という、最先端のベンチマークを新たに設定しています。
論文 参考訳（メタデータ） (2025-12-20T09:32:18Z) - Unfolding Framework with Complex-Valued Deformable Attention for High-Quality Computer-Generated Hologram Generation [15.017958264826511]
コンピュータ生成ホログラフィー(CGH)はディープラーニングに基づくアルゴリズムで広く注目を集めている。
本稿では,勾配降下を2つのモジュールに分解するDeep Unfolding Network (DUN)を提案する。
論文 参考訳（メタデータ） (2025-08-29T14:21:22Z) - Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。
既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。
提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
論文 参考訳（メタデータ） (2025-06-10T16:48:27Z) - Learning Inverse Laplacian Pyramid for Progressive Depth Completion [18.977393635158048]
LP-Netは、ラプラシアンピラミッド分解に基づくマルチスケールでプログレッシブな予測パラダイムを実装する革新的なフレームワークである。
提出時点では、LP-Netは公式のKITTIリーダーボードで全ての査読された方法の中で第1位である。
論文 参考訳（メタデータ） (2025-02-11T06:21:42Z)
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。