Equal is Not Always Fair: A New Perspective on Hyperspectral Representation Non-Uniformity

要約

ハイパースペクトル画像（HSI）表現は、スペクトル依存性、空間連続性、および特徴効率が複雑で矛盾する行動を示す、普及している不均一性によって根本的に挑戦されます。
ほとんどの既存のモデルは、次元間の均一性を想定する統一された処理パラダイムに依存しており、最適ではないパフォーマンスと偏った表現につながります。
これに対処するために、協同組合でありながら専門的なモジュールを通じて3倍の不均一性を明示的に解き放ち、解決する公平性向けフレームワークであるFairhypを提案します。
Runge-Kuttaにインスパイアされた空間変動性アダプターを導入して、解像度の不一致の下で空間的コヒーレンスを復元し、固有の球体を尊重しながら除外機能を強化するためのマルチレセプティブフィールドコンボリューションモジュール、およびStable Redange Spectral redangies rengentiers and the Spectral redingies resangies rengentiers bisiristed redingiers bisiristed context状態空間を尊重しながら、固有の範囲を尊重しながら違いを尊重します。
集約。
One-Size-Fits-Allソリューションとは異なり、FairHypは、グローバルな一貫性と相互補強を維持しながら、次元固有の適応を実現します。
この設計は、特定のタスク設定ではなく、HSI表現の本質的な構造から生じるという見解に基づいています。
これを検証するために、分類、除去、超解像度、インペイントインなどの4つの代表的なタスクにFairHypを適用し、共有構造の欠陥をモデル化する際の有効性を実証します。
広範な実験では、FairHypがさまざまなイメージング条件下で一貫して最先端の方法を上回ることが示されています。
私たちの調査結果は、HSIモデリングの構造的必要性として公平性を再定義し、高次元のビジョンタスクにおける適応性、効率、忠実度のバランスをとるための新しいパラダイムを提供します。

要約(オリジナル)

Hyperspectral image (HSI) representation is fundamentally challenged by pervasive non-uniformity, where spectral dependencies, spatial continuity, and feature efficiency exhibit complex and often conflicting behaviors. Most existing models rely on a unified processing paradigm that assumes homogeneity across dimensions, leading to suboptimal performance and biased representations. To address this, we propose FairHyp, a fairness-directed framework that explicitly disentangles and resolves the threefold non-uniformity through cooperative yet specialized modules. We introduce a Runge-Kutta-inspired spatial variability adapter to restore spatial coherence under resolution discrepancies, a multi-receptive field convolution module with sparse-aware refinement to enhance discriminative features while respecting inherent sparsity, and a spectral-context state space model that captures stable and long-range spectral dependencies via bidirectional Mamba scanning and statistical aggregation. Unlike one-size-fits-all solutions, FairHyp achieves dimension-specific adaptation while preserving global consistency and mutual reinforcement. This design is grounded in the view that non-uniformity arises from the intrinsic structure of HSI representations, rather than any particular task setting. To validate this, we apply FairHyp across four representative tasks including classification, denoising, super-resolution, and inpaintin, demonstrating its effectiveness in modeling a shared structural flaw. Extensive experiments show that FairHyp consistently outperforms state-of-the-art methods under varied imaging conditions. Our findings redefine fairness as a structural necessity in HSI modeling and offer a new paradigm for balancing adaptability, efficiency, and fidelity in high-dimensional vision tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google