論文の概要: SCDM-HTD: Spectral-Wise Conditional Diffusion Model for Hyperspectral Target Detection

• arxiv url: http://arxiv.org/abs/2610.32768v1
• Date: Fri, 23 Oct 2026 15:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.591301
• Title: SCDM-HTD: Spectral-Wise Conditional Diffusion Model for Hyperspectral Target Detection
• Title（参考訳）: SCDM-HTD:ハイパースペクトルターゲット検出のためのスペクトル幅条件拡散モデル
• Abstract要約: ハイパースペクトル目標検出(HTD)は、オブジェクトをきめ細かいスケールで検出し、認識することを目的としている。 現在のHTD法は主に特徴比較に重点を置いており、バックグラウンドターゲット分離のための分布学習を無視している。 本稿では,HTDを検出マップを生成するタスクとして再構成するスペクトルワイド条件拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 4.502951138261248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral target detection (HTD) aims to locate and recognize objects at a fine-grained scale, playing a pivotal role in remote sensing. Despite significant progress, current HTD methods primarily focus on feature comparison while neglecting distribution learning for background-target separation, which can limit detection robustness in practical applications. This paper addresses this issue by introducing a spectral-wise conditional diffusion model that reformulates HTD as a task of generating a detection map. Specifically, we treat background and target confidence scores as training samples and use the corresponding pixel spectra as guiding conditions to capture the distributional discrepancy between background and target through diffusion and denoising. To enhance practical applicability, we propose a lightweight conditional denoising network based on multilayer perceptron to map noisy confidence scores to their ideal counterparts and adopt a deterministic reverse non-Markov chain to skip sampling steps, thereby accelerating the generation process. Furthermore, we introduce a composite loss to improve background-target separation. This loss integrates constrained energy minimization loss to enhance target saliency and suppress the background by maximizing the target response while minimizing average output energy, alongside binary cross-entropy loss to classify background and target using pixel-wise labels. Experimental results on four benchmark datasets demonstrate the effectiveness of the proposed method, with improvements in both quantitative metrics and qualitative visual effects.
• Abstract（参考訳）: ハイパースペクトル目標検出(HTD)は、リモートセンシングにおいて重要な役割を担いながら、オブジェクトをきめ細かいスケールで検出し、認識することを目的としている。 近年のHTD法は, 背景対象分離のための分布学習を無視しながら, 特徴比較に重点を置いている。 本稿では,検出マップを生成するタスクとしてHTDを再構成するスペクトルワイド条件拡散モデルを導入することにより,この問題に対処する。 具体的には、背景と目標の信頼度スコアをトレーニングサンプルとして扱い、対応する画素スペクトルを誘導条件として使用し、拡散・認知を通じて背景と目標の分布差を捉える。 実用的な適用性を高めるために,多層パーセプトロンに基づく軽量な条件記述ネットワークを提案し,雑音の信頼性スコアを理想のものにマップし,決定論的逆非マルコフ連鎖を採用してサンプリングステップをスキップし,生成プロセスの高速化を図る。 さらに,背景と対象の分離を改善するために複合損失を導入する。 この損失は、制約されたエネルギー最小化損失を統合して、目標サリエンシを高め、平均出力エネルギーを最小化しつつ、平均出力エネルギーを最小化し、背景とターゲットを画素ワイズラベルで分類する二項クロスエントロピー損失を最小化する。 4つのベンチマークデータセットによる実験結果から,提案手法の有効性が示された。

関連論文リスト

• Seeing through Denoising: Frequency-guided One-step Denoising for Infrared Small Target Detection [107.7770382447473]
  赤外線小目標検出(IRSTD)は、ターゲットが極端に小さいこと、信号と雑音の比が低いこと、赤外線画像における背景の乱れが重いことによる課題である。 DiffIRSTDは、背景再構成問題として、赤外線小ターゲット検出を再構成する新しい生成フレームワークである。
  論文  参考訳（メタデータ） (2026-10-21T07:51:11Z)
• TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
  Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。 TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。 TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
  論文  参考訳（メタデータ） (2026-07-28T15:51:39Z)
• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• 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)
• Spectrum-oriented Point-supervised Saliency Detector for Hyperspectral Images [13.79887292039637]
  ハイパースペクトル・サリエント物体検出(HSOD)における点監督について紹介する。 本稿では,従来のHSOD法から派生したスペクトル・サリエンシを,そのフレームワーク内で重要なスペクトル表現として組み込む。 本稿では,HSIに特化して設計された新しいパイプラインを提案し,点監督戦略に関連した性能低下を効果的に軽減する。
  論文  参考訳（メタデータ） (2024-12-24T02:52:43Z)
• Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
  本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。 我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。 さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。 近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
  論文  参考訳（メタデータ） (2024-07-22T04:32:43Z)
• Dim Small Target Detection and Tracking: A Novel Method Based on Temporal Energy Selective Scaling and Trajectory Association [8.269449428849867]
  本稿では,有効検出を実現するための時間的特徴に基づく空間的特徴と実現可能性に基づく難易度の分析を行う。 この分析により,マルチフレームを検出単位とし,時間的エネルギー選択スケーリング(TESS)に基づく検出手法を提案する。 対象画素に対して、画素を通過するターゲットは、画素によって形成される強度時間プロファイル(ITP)に弱い過渡的障害をもたらす。 適切に設計された関数を用いて、過渡的障害を増幅し、背景成分と雑音成分を抑圧し、ターゲットの軌道を多フレーム検出ユニットに出力する。
  論文  参考訳（メタデータ） (2024-05-15T03:02:21Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Self-supervised spectral matching network for hyperspectral target detection [8.831857715361624]
  いくつかのターゲットサンプルから、航空機、車両、船舶などの特定のターゲットピクセルをハイパースペクトル画像全体から識別することを目的としています。 一般に、背景ピクセルは画像の大部分を取り、複雑に分散します。 スペクトル混合に基づく自己監視型パラダイムは、ハイパースペクトルデータのために設計され、効果的な特徴表現を得る。
  論文  参考訳（メタデータ） (2021-05-10T02:32:58Z)

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。