Core Concepts
提案手法LE-Mambaは、局所強化ビジョンMambaブロックと状態共有手法を用いることで、空間情報と分光情報を効果的に融合し、高解像度マルチスペクトル画像の生成性能を大幅に向上させることができる。
Abstract
本論文では、高解像度マルチスペクトル画像生成のための新しい手法LE-Mambaを提案している。LE-Mambaの主な特徴は以下の通りである:
局所強化ビジョンMambaブロック(LEVM)の提案: LEVMブロックは、局所的な情報と大域的な情報を同時に学習することができ、画像の詳細な特徴を捉えることができる。
状態共有手法の提案: 提案手法は、隣接する層間と飛び越えた層間で状態を共有することで、空間情報と分光情報の相互作用を促進し、融合性能を向上させる。特に、状態空間モデル(SSM)の状態を空間表現と分光表現の基礎として活用する空間分光学習(S2L)を導入している。
多スケールアーキテクチャの採用: エンコーダ-デコーダ構造のU-Netベースのアーキテクチャを採用し、局所的な特徴と大域的な特徴を効果的に融合することができる。
実験結果から、提案手法LE-Mambaは、マルチスペクトルパンシャープニングおよびマルチスペクトル-ハイパースペクトル画像融合の各タスクにおいて、従来手法と比べて優れた性能を示すことが確認された。特に、空間的な詳細情報と分光的な情報の融合が効果的に行われていることが確認できる。
Stats
提案手法LE-Mambaは、従来手法と比べて85%のメモリ消費量削減と65%のFLOPs削減を実現している。
LE-Mambaは、空間的な詳細情報と分光的な情報を効果的に融合することができ、マルチスペクトルパンシャープニングタスクでSAM=2.76、ERGAS=2.02を達成し、従来手法を大幅に上回る性能を示した。
LE-Mambaは、マルチスペクトル-ハイパースペクトル画像融合タスクでPSNR=46.23dB、SAM=3.13を達成し、従来手法を大幅に上回る性能を示した。
Quotes
"提案手法LE-Mambaは、従来手法と比べて85%のメモリ消費量削減と65%のFLOPs削減を実現している。"
"LE-Mambaは、空間的な詳細情報と分光的な情報を効果的に融合することができ、マルチスペクトルパンシャープニングタスクでSAM=2.76、ERGAS=2.02を達成し、従来手法を大幅に上回る性能を示した。"
"LE-Mambaは、マルチスペクトル-ハイパースペクトル画像融合タスクでPSNR=46.23dB、SAM=3.13を達成し、従来手法を大幅に上回る性能を示した。"