Hyperspectral Pansharpening: Critical Review, Tools and Future Perspectives

要約

ハイパースペクトル パンシャープンは、高解像度のパンクロマティック バンドと低解像度のハイパースペクトル画像を融合して、空間領域とスペクトル領域の両方で高解像度の新しい画像を取得することで構成されます。
これらのリモート センシング製品は幅広い用途に価値があり、ますます成長する研究活動を推進しています。
それにもかかわらず、結果は依然としてアプリケーションの要求を満たしていません。
これは、タスクの技術的な複雑さが原因の 1 つです。マルチスペクトル パンシャープニングと比較して、パンクロマティック コンポーネントによって部分的にしかカバーされないスペクトル範囲内で、圧倒的なノイズを伴う、より多くの帯域が関与します。
しかし、もう 1 つの大きな制限要因は、新しい手法の迅速な開発と正確な評価のための包括的なフレームワークが存在しないことです。
この文書では、この問題に対処しようとします。
私たちは、(データ駆動型メソッドの) 信頼性の高いトレーニングと新しいメソッドのテストを可能にするのに十分な大きさと多様性を備えたデータセットを設計することから始めました。
次に、さまざまなアプローチに従って、有望なパフォーマンスを特徴とする一連の最先端のメソッドを選択し、それらを単一の PyTorch フレームワークに再実装しました。
最後に、最も認定された品質指標を使用して、すべての方法の重要な比較分析を実行しました。
この分析は、スペクトル/空間品質と計算効率の点で現在のソリューションの主な限界を浮き彫りにし、有望な研究の方向性を示唆しています。
結果の完全な再現性を確保し、将来の研究をサポートするために、フレームワーク (コード、評価手順、データセットへのリンクを含む) は、単一の Python ベースの参照ベンチマーク ツールボックスとして https://github.com/matciotola/hyperspectral_pansharpening_toolbox で共有されます。
。

要約(オリジナル)

Hyperspectral pansharpening consists of fusing a high-resolution panchromatic band and a low-resolution hyperspectral image to obtain a new image with high resolution in both the spatial and spectral domains. These remote sensing products are valuable for a wide range of applications, driving ever growing research efforts. Nonetheless, results still do not meet application demands. In part, this comes from the technical complexity of the task: compared to multispectral pansharpening, many more bands are involved, in a spectral range only partially covered by the panchromatic component and with overwhelming noise. However, another major limiting factor is the absence of a comprehensive framework for the rapid development and accurate evaluation of new methods. This paper attempts to address this issue. We started by designing a dataset large and diverse enough to allow reliable training (for data-driven methods) and testing of new methods. Then, we selected a set of state-of-the-art methods, following different approaches, characterized by promising performance, and reimplemented them in a single PyTorch framework. Finally, we carried out a critical comparative analysis of all methods, using the most accredited quality indicators. The analysis highlights the main limitations of current solutions in terms of spectral/spatial quality and computational efficiency, and suggests promising research directions. To ensure full reproducibility of the results and support future research, the framework (including codes, evaluation procedures and links to the dataset) is shared on https://github.com/matciotola/hyperspectral_pansharpening_toolbox, as a single Python-based reference benchmark toolbox.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google