Core Concepts
본 연구는 공간 및 주파수 영역에서 암시적 신경망 융합 기능을 제안하여 고해상도 다중분광 및 초분광 영상 융합 성능을 향상시킨다.
Abstract
이 논문은 고해상도 다중분광 영상(HR-MSI)과 저해상도 초분광 영상(LR-HSI)을 융합하여 고해상도 초분광 영상(HR-HSI)을 얻는 다중분광 및 초분광 영상 융합(MHIF) 작업을 다룹니다.
주요 내용은 다음과 같습니다:
HR-HSI 잠재 코드와 LR-HSI의 푸리에 진폭은 유사하지만 위상은 다른 패턴을 보인다는 점에 착안하여, 공간 및 주파수 암시적 융합 기능(Spa-Fre IFF)을 제안했습니다. 이를 통해 INR이 고주파 정보를 포착하고 수용 영역을 확장할 수 있습니다.
복소 가버 웨이블릿 활성화 함수를 사용하는 공간-주파수 상호작용 디코더(SFID)를 고안했습니다. 이 활성화 함수는 시간-주파수 타이트니스 특성을 가지며, 디코더가 최적의 대역폭을 학습하는 데 도움이 됩니다.
제안된 FeINFN 모델은 두 벤치마크 MHIF 데이터셋에서 시각적 및 정량적으로 최신 기술 수준의 성능을 달성했습니다. 또한 실험적 분석을 통해 제안된 기여 사항의 효과를 입증했습니다.
Stats
HR-HSI와 LR-HSI의 푸리에 진폭은 매우 유사하지만, 위상은 다른 패턴을 보인다.
제안된 FeINFN 모델은 CAVE 데이터셋에서 PSNR 52.47dB, SAM 1.91, ERGAS 0.98, SSIM 0.998을 달성했다.
제안된 FeINFN 모델은 Harvard 데이터셋에서 PSNR 49.06dB, SAM 2.10, ERGAS 1.78, SSIM 0.989를 달성했다.
Quotes
"HR-HSI 잠재 코드와 LR-HSI의 푸리에 진폭은 매우 유사하지만, 위상은 다른 패턴을 보인다."
"제안된 FeINFN 모델은 두 벤치마크 MHIF 데이터셋에서 시각적 및 정량적으로 최신 기술 수준의 성능을 달성했다."