論文の概要: Hyperspectral Unmixing using a Structured Linear Mixing Model with Additive Spectral Variability
- arxiv url: http://arxiv.org/abs/2610.35580v1
- Date: Mon, 26 Oct 2026 15:12:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:14.047447
- Title: Hyperspectral Unmixing using a Structured Linear Mixing Model with Additive Spectral Variability
- Title（参考訳）: 付加的なスペクトル変動を有する構造線形混合モデルを用いたハイパースペクトルアンミキシング
- Abstract要約: ハイパースペクトル画像は、スペクトル変動(SV)の影響を受けている。
線形混合モデル(LMM)に依存する標準超スペクトルアンミックス法は、これらの現象を考慮していない。
本稿では,2つの超スペクトルアンミックスアルゴリズムを,構造化付加変数 LMM と呼ばれるパラメトリックモデルに限定して提案する。
- 参考スコア（独自算出の注目度）: 2.1965682857041906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Linear hyperspectral unmixing aims at retrieving pure material spectra present in an observed scene and their associated abundance fractions in each pixel. In most practical situations, hyperspectral images are affected by spectral variability (SV) also known as intra-class variability, which is caused by different physical phenomena including atmospheric effects, intrinsic variability of the pure materials and illumination or topographic changes. Nevertheless, the standard hyperspectral unmixing methods that rely on the Linear Mixing Model (LMM) do not consider these phenomena. Thus, neglecting them will spread errors throughout the linear hyperspectral unmixing process. To avoid this problem, this paper proposes two hyperspectral unmixing algorithms dedicated to a parametric model called Structured Additive Variability LMM (SAV-LMM). This mixing model handles SV in an additive manner by incorporating two terms into the standard LMM. Moreover, the designed algorithms are based on Nonnegative Matrix Factorization (NMF) and optimize a cost function which integrates additional penalization accounting for SV. Furthermore, a novel improved initialization scheme, which takes SV into account, is proposed. Experiments conducted on both synthetic and real datasets show the effectiveness of the proposed algorithms for linearly unmixing hyperspectral images with SV compared to the tested state-of-the-art methods.
- Abstract（参考訳）: リニアハイパースペクトルアンミキシングは、観察されたシーンに存在する純粋な物質スペクトルと、各ピクセルにおけるそれらの関連量の分画を取得することを目的としている。
ほとんどの現実的な状況において、ハイパースペクトル画像はスペクトル変動(SV)の影響を受けており、これは大気の影響、純粋な物質固有の変動、照明や地形の変化など様々な物理的現象によって引き起こされる。
それでも、LMM(Linear Mixing Model)に依存する標準的なハイパースペクトルアンミックス法は、これらの現象を考慮していない。
したがって、それらを無視すると、線形超スペクトルアンミックスプロセス中にエラーが拡散する。
この問題を回避するために,SAV-LMM(Structured Additive Variability LMM)と呼ばれるパラメトリックモデル専用の2つのハイパースペクトルアンミックスアルゴリズムを提案する。
この混合モデルは、標準LMMに2項を組み込むことで、SVを付加的に扱う。
さらに、設計アルゴリズムは非負行列因子化(NMF)に基づいており、SVに対する追加のペナル化会計を統合するコスト関数を最適化する。
さらに,SVを考慮した新しい初期化手法を提案する。
合成データセットと実データセットの両方で行った実験は、試験された最先端手法と比較して、超スペクトル画像とSVを線形に混合するアルゴリズムの有効性を示した。
関連論文リスト
- Preprocessing Algorithm Leveraging Geometric Modeling for Scale Correction in Hyperspectral Images for Improved Unmixing Performance [0.0]
トポグラフィー、照明、シャドーイングによる観察されたピクセルシグネチャのスケールに対する大規模な歪みは、依然として大きな課題である。
本研究では,アンミックス前のスペクトル変動を補正する新しい前処理アルゴリズムを提案する。
これらの歪みを画素シグネチャのスケールに推定し補正することにより、このアルゴリズムは最小の歪みで画素シグネチャを生成する。
論文 参考訳（メタデータ） (2025-08-11T19:42:35Z) - Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery [2.8516007089651043]
ハイパースペクトルアンミキシング(Hyperspectral unmixing)は、材料シグネチャ(エンドメンバーと呼ばれる)と対応する割合(アブリダンスを参照)を推定することを目的としている。
本研究は,高スペクトル画像に対するスペーサシティと全変動(TV)制約付き多層リニアアンミキシング(STVMLU)と呼ばれる新しいアプローチを開発する。
論文 参考訳（メタデータ） (2025-08-05T12:50:55Z) - Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。
本稿では,GAA (Generate grained Anomaly) を提案する。
GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
論文 参考訳（メタデータ） (2025-07-13T12:56:59Z) - Parsimonious Gaussian mixture models with piecewise-constant eigenvalue profiles [12.889537265772242]
我々は,一対一の共分散固有値プロファイルを持つ擬似GMMの新たなファミリーを導入する。
様々な教師なし実験において、我々のモデルによって達成された、優れた可能性とパーシモニーのトレードオフを示す。
論文 参考訳（メタデータ） (2025-07-02T09:52:56Z) - Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。
我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。
提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
論文 参考訳（メタデータ） (2024-02-04T09:07:28Z) - Nonlinear Hyperspectral Unmixing based on Multilinear Mixing Model using
Convolutional Autoencoders [6.867229549627128]
リフレクションに基づく教師なしアンミキシングのための新しいオートエンコーダネットワークを提案する。
合成データと実データの両方を用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-14T18:11:52Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳（メタデータ） (2022-02-01T21:21:56Z) - Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse
Separation with Spatial-Spectral Total Variation Regularization [49.55649406434796]
本研究では,HSI復調のためのロバストな主成分分析のための新しい非特異なアプローチを提案する。
我々は、ランクとスパースコンポーネントの両方に対する正確な近似を開発する。
シミュレーションと実HSIの両方の実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-01-08T11:48:46Z) - Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
テンソルの合同ベンチマークとクラスタリングの問題を考察する。
本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-15T21:06:16Z) - Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。
ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。
さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文 参考訳（メタデータ） (2020-09-23T17:53:48Z) - Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。
MVSCに適合する新しい構造テンソル低ランクノルムを設計する。
提案手法は最先端の手法よりもかなり優れていることを示す。
論文 参考訳（メタデータ） (2020-04-30T11:52:12Z)
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。