2022 Fiscal Year Final Research Report
Integrated Model-Driven and Data-Driven Framework for Hyper-Spectral Image Super-Resolution
| Project/Area Number |
20K11867
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Yamaguchi University |
|---|
Principal Investigator |
Han Xian-HUa 山口大学, 大学院創成科学研究科, 准教授 (60469195)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
陳 延偉 立命館大学, 情報理工学部, 教授 (60236841)
末竹 規哲 山口大学, 大学院創成科学研究科, 教授 (80334051)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | ハイパースペクトル画像超解像度 / 教師無し深層モデル / データ融合 |
|---|
| Outline of Final Research Achievements |
This research project aims at reconstructing the high-resolution hyperspectral (HR-HS) images by merging the observed high-resolution RGB (HR-RGB) image and the low-resolution hyperspectral (LR-HS) image. The project has focused on exploiting effective and high-generalized deep learning models to recover the HR-HS image, and mainly has three contributions: 1) A multi-scale and multi-level fusion network for effectively and hierarchically aggregating the extracted features from the LR-HS and HR-RGB images has been proposed; 2) a novel unsupervised HS image super-resolution framework has been developed via leveraging the model-driven knowledge of the mathematical relation between the observations and the target, and the powerful modeling capability of the deep neural networks; 3) a high-generalized blind unsupervised model has been proposed to simultaneously learn the underlying HR-HS image and the parameters of the degradation procedures in both spatial and spectral domains.
|
| Free Research Field |
知覚情報処理関連
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究では最先端な計測技術でも得ることができない超人の視覚情報である高解像度なハイパースペクトル画像の生成を目的とする。本プロジェクト提案法の確立により、シーンや素材の多様な情報が復元でき、様々な分野において観測データをより高精度に理解することが可能となる。これを特性解析等の応用へと発展させていくことで関連分野の科学的進展に貢献できる。また、解像度や構造の異なるデータを効率的に融合できる深層学習フレームワークを構築することにより、実世界で得られる多様なマルチモーダルデータの統一解析などにも適用可能となり、ビッグデータ解析に対しても大きな貢献が期待できる。
|
