論文の概要、ライセンス

# (参考訳) Proba-V-ref:参照認識超解像におけるProba-Vチャレンジの再考 [全文訳有]

Proba-V-ref: Repurposing the Proba-V challenge for reference-aware super resolution ( http://arxiv.org/abs/2101.10200v2 )

ライセンス: CC BY 4.0
Ngoc Long Nguyen, J\'er\'emy Anger, Axel Davy, Pablo Arias, Gabriele Facciolo(参考訳) PROBA-Vスーパーリゾリューションチャレンジは、実際の低解像度画像シリーズと対応する高リゾリューションターゲットを配布し、衛星画像のためのマルチイメージスーパーリゾリューション(MISR)の研究を進めます。 ただし、PROBA-Vデータセットでは、高解像度ターゲットに対応する低解像度画像は特定されません。 この挑戦は、MISRのパフォーマンスだけでなく、シリーズ内のどの画像が最も高解像度のターゲットに似ているかを推測するために使用されるヒューリスティックによって提案された方法にランク付けされていると我々は主張する。 簡単なヒューリスティックに追従して計算した,異なる参照画像を使用することで,課題の2人の勝者が獲得した性能を改善することで,これを実証する。 これに基づいて、低解像度系列の参照画像を提供するPROBA-Vデータセットの変種であるPROBA-V-REFを提案し、この設定で方法間のランキングが変化することを示す。 これはMISRの多くの実用的なユースケースに関連しており、目的はシリーズの特定のイメージをスーパーリゾルジョンすることである。 参照が知られている。 提案した PROBA-V-REF は、この参照型MISR 問題に対する異なる手法の性能を反映する。

The PROBA-V Super-Resolution challenge distributes real low-resolution image series and corresponding high-resolution targets to advance research on Multi-Image Super Resolution (MISR) for satellite images. However, in the PROBA-V dataset the low-resolution image corresponding to the high-resolution target is not identified. We argue that in doing so, the challenge ranks the proposed methods not only by their MISR performance, but mainly by the heuristics used to guess which image in the series is the most similar to the high-resolution target. We demonstrate this by improving the performance obtained by the two winners of the challenge only by using a different reference image, which we compute following a simple heuristic. Based on this, we propose PROBA-V-REF a variant of the PROBA-V dataset, in which the reference image in the low-resolution series is provided, and show that the ranking between the methods changes in this setting. This is relevant to many practical use cases of MISR where the goal is to super-resolve a specific image of the series, i.e. the reference is known. The proposed PROBA-V-REF should better reflect the performance of the different methods for this reference-aware MISR problem.
公開日: Tue, 26 Jan 2021 08:32:46 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 n a J 6 2 ] V C . 1 2 0 2 n a j 6 2 ] v c である。 0.81
s c [ 2 v 0 0 2 0 1 . s c [ 2 v 0 0 2 0 1 . 0.85
1 0 1 2 : v i X r a 1 0 1 2 : v i X r a 0.85
Proba-V-ref: Repurposing for reference-aware Jérémy Anger1,2 Long Nguyen1 1Université Paris-Saclay, CNRS, ENS Paris-Saclay, Centre Borelli, Proba-V-ref:Referenc e-aware Jérémy Anger1,2 Long Nguyen1 1Université Paris-Saclay, CNRS, ENS Paris-Saclay, Centre Borelli, 0.71
the Proba-V challenge super Axel Davy1 proba-v challenge super axel davy1 0.68
resolution Pablo Arias1 解像度 Pablo Arias1。 0.61
Gabriele France ガブリエル・フランス 0.57
Ngoc 2Kayrros Ngoc 2kayrros 0.77
SAS Facciolo1 SAS Facciolo1 0.82
We in that argue 私たち で あれ 議論 0.66
Super-Resolution image to targets ターゲットへの超解像 0.65
Abstract dischallenge PROBA-V The real series and low-resolution tributes correadvance high-resolution sponding research on Multi-Image Super Resolution (MISR) satellite for the the PROBA-V dataset However, images. 抽象ディスクハレッジ PROBA-V PROBA-Vデータセットのためのマルチイメージスーパーリゾリューション(MISR)衛星に関する高分解能応答の研究を相関する実シリーズと低解像度のトリビュート。 0.81
in lowcorresponding to the high-resolution resolution image target is not in doing so, identified. 高分解能画像ターゲットに対する低応答では、そうしていないことが特定される。 0.57
the proposed methods not only by ranks challenge the their MISR performance, but mainly by the heuristics is series the used to guess which image the most similar to the high-resolution target. 提案手法は,MISRの性能に挑戦するだけでなく,主にヒューリスティックスによって,高解像度のターゲットに最も近い画像の推測に使用される。 0.71
We demonstrate the by the improving by this obtained performance winners only challenge of by two differthe using a image, ent reference which following a we compute simple heuristic. 得られた性能の勝者が、簡単なヒューリスティックを計算した画像であるent参照を用いて2つの異なる問題にのみ挑戦することによる改善を実証する。 0.70
Based on this, we propose PROBAin which the PROBA-V dataset, variant V-REF a of low-resolution series reference in the image the is proand vided, show that the between the methranking changes ods in this setting. そこで本研究では, PROBA-Vデータセット, 可変V-REFが, 画像中のIsproand videdの低分解能系列参照であり, この設定におけるmethranking change odsとの違いを示すProBAinを提案する。 0.79
This relevant to many is to supercases of MISR where practical use the goal is i.e. 多くに関連しているのがMISRのスーパーケースで、目的が実用的である場合である。 0.48
series, the image specific resolve of a the reference The known. series, the image specific resolve of a reference The known。 0.72
is proposed PROBA-V-REF should better reflect the performance of the different methods for this reference-aware MISR problem. 提案した PROBA-V-REF は,この参照型MISR 問題に対する異なる手法の性能をよく反映する。 0.71
1 Introduction Earth plays monitoring of understanding the mate, natural resources, 1introduction earthは、仲間、天然資源を理解するためのモニタリングを行う 0.74
an important systems Earth ecosystems, 重要なシステム地球生態系。 0.78
in role including and natural 役割や自然を包含する 0.86
our cliand 1 not does (top) dataset PROBA-V The 1: Figure One images. クリマンドは 1 not do (top) dataset PROBA-V 1: 図1の画像。 0.70
LR the between distinction any make the as same the at acquired time target them was of for training and evaluation. LRは、任意の区別は、トレーニングと評価のためであった取得された時間ターゲットで同じを作る。 0.70
used is HR image which to methods need determine a reference The MISR which is the one corresponding to without knowing target. 使用する HR イメージ メソッドが参照を決定する必要がある HR イメージ ターゲットを知らなくても対応する MISR。 0.78
We the propose PROBA-V-REF (bottom), a identity the where PROBA-V of version true reference is known. バージョン真の参照のPROBA-Vが知られているアイデンティティであるPROBA-V-REF(bottom)を提案する。 0.65
of of Earth monitoring Some human-induced disasters. ですから 地球モニタリング 人間による災害。 0.60
such as images, resolution applications high require deforestaor monitoring monitoring activity human being super-resolution is computational Lately, tion. 画像や高解像度アプリケーションは、最近スーパーレゾリューションである人間が計算している監視活動の監視を必要とする。 0.66
spaincrease solution to cost-effective as adopted a [12, We images 2]. 採用した[12, We images 2]のように,費用対効果のスパincreaseソリューション。 0.71
refer tial resolution of satellite review of the problem to [13, 15] for a comprehensive of super-resolution. 問題の衛星レビューのTial resolutionを[13, 15]に参照して、超解像を包括的に扱う。 0.70
to approaches the In superimage general, image single resolution be can classified into: supersuper-resolutio n multi-image resolution (SISR) and (MISR). Inスーパー画像一般へのアプローチでは、イメージ単一解像度は、スーパースーパー解像度マルチイメージ解像度(SISR)とMISR(MISR)に分けられる。 0.70
Single image super-resolution has recently proimage attention considerable attracted the in It community highly cessing [5, 8]. シングル画像のスーパー解像度は最近かなり注目を集めています inItコミュニティは非常に休止[5, 8]。 0.68
ill-posed is a problem. In fact, during the acquisition of the low- 不作為は問題です。 実際には、低値の取得中に。 0.57
MISROutputTargetInpu tMISROutputTargetInp utREF MISR OutputTargetInputMIS R OutputTargetInputREF 0.52
英語(論文から抽出)日本語訳スコア
organised a high-frequency 組織 あ... 高周波 0.43
the non-redundant non‐redundant 0.86
some resolution (LR) images compotheir aliased, lost nents correct or hindering are rerecover to contrast, MISR aims construction. 一部の解像度(LR)画像のエイリアス、失われたネントの正または妨害は対照的に回復し、MISRは建設を目指しています。
訳抜け防止モード: いくつかの解像度(LR)画像は、コントラストに再検索される。 MISRは建設を目標としている。
0.65
In the (SR) by super-resolved image true details in the combining information in multiple LR observations. 超分解画像によるSRでは、複数のLR観測における結合情報における真の詳細。 0.74
In 2019, the Advanced Concepts Team of European (ESA) Space Agency [9] challenge with the goal of the multi-temporal images super-resolving challenge The PROBA-V satellite. 2019年、欧州宇宙機関(ESA)のAdvanced Concepts Team[9]は、マルチテンポラルイメージ超解決の課題であるPROBA-V衛星を目指して挑戦しました。 0.74
coming from the of LR images of dataset consists acquired within sets a time window of one month a set of sites. データセットのLR画像から来ることは、サイトのセットの1ヶ月のタイムウィンドウのセット内で取得されます。 0.76
For over each site, a target image also high-resolution (HR) is images of sequence, each In provided. 各サイトに対して、ターゲット画像も高解像度(HR)であり、それぞれが提供されたシーケンスの画像である。 0.68
one LR the the HR image. 1つのLRはHR画像です。 0.75
We as date the at acquired was same call this image the true reference. 取得された日付は、このイメージを真の参照と呼びます。 0.66
Knowing the LR reference can help produce a result matching better the HR image as there can be changes with significant idenHowever, dates. LR参照を知ることは、重要なidenHowever、日付の変更がある可能性があるため、HRイメージにマッチした結果を生成するのに役立ちます。
訳抜け防止モード: LR参照を知る 重要なidenHowever,datesで変更できるため、HRイメージにマッチした結果を生成するのに役立ちます。
0.76
different taken images the at is images reference of not tity true provided these in the challenge. 異なる撮影画像は tityが真ではない 画像を参照する 課題はこれらだ 0.65
Several teams have participated in the challenge, and since it finished, a “post-mortem” new MISR methods. いくつかのチームが挑戦に参加し、それが終わった後、新しいMISRメソッドを「ポストモーテム」しました。
訳抜け防止モード: いくつかのチームが挑戦に参加しました。 ポストモーテム」の新しいMISRメソッドが完成しました。
0.64
to continues contest benchmark problem without the these works solve All try to the We knowledge the reference that of images. これらの作業なしでコンペティションベンチマーク問題を続けるために、画像の参照の知識を全て解決しようとする。 0.66
believe reference the problem of MISR without a image is inHowapplications. 画像のないMISRの問題を参照することはinHowapplicationsです。 0.70
several could teresting have and image in ever, the reference need to such problem, be completely random, which is not case in the the PROBA-V challenge where for a cloud-free example, reference chance LR has more cloudy than a to be the resulting Such bias in the introduces noise LR image. このような問題への参照は、クラウドのない例では、LRがAよりも曇りになる確率が、ノイズLR画像のそのようなバイアスになる確率が大きくなるという、PRBA-Vの課題には当てはまらない。
訳抜け防止モード: 幾人かが恐怖とイメージを 失う可能性がある 参照はそのような問題を必要としている 完全にランダムである。これは PROBA - V チャレンジではそうではない。 リファレンスチャンスLRはより曇りです aはノイズLR画像のそのようなバイアスとなる。
0.71
benchmark. A method might get good performance a not because of a more suitable architecture or trainthe select better because but ing, to heuristic a of reference image. ベンチマーク。 より適切なアーキテクチャやトレーニングを行うためではなく、ingではなく、ヒューリスティックな参照イメージのため、優れたパフォーマンスを得る方法もあります。 0.60
the hand, On other reference-aware MISR is a relmany Indeed, evant problem in itself. 一方、他の参照認識MISRは、実際には、それ自体で有効な問題です。 0.49
practical in specific super-resolve cases, the goal is to image of a interested in a example we might be (for sequence the problem is this specific date). 具体的なスーパーリゾルフのケースでは、私たちが興味を持つであろう例をイメージすることが目標です(シーケンスでは、問題はこの特定の日付です)。 0.69
Although considerably from being easier, is far In other domains it solved. 簡単とは程遠いが、他の領域では解決した。 0.59
such as super-resolution of video burst of images, or the MISR problem includes standard definition of the convinced are reference Hence, we image. 例えば、画像のビデオバーストの超解像、またはMISRの問題には、確信したものの標準定義が含まれています。 0.64
the that a the variant PROBA-V dataset refof with the true 変数 PROBA-V データセットが true で refof であること 0.78
computer the valuable for erence images would be community. erenceイメージにとって価値のあるコンピュータはコミュニティでしょう。 0.74
vision impact the of first demonstrate this In work we LR reference image the select the heuristic used to by this improvdo We the PROBA-V challenge. 視覚への影響 最初にこれを実証する 作業中のlr参照画像 この即興的なproba-vチャレンジで使用されたヒューリスティックを選択します。 0.55
in winning the with obtained performance ing two the changing the contest, methods of by simply their reference images with a different one chosen following a simple heuristic. コンペティションを変更し、単純なヒューリスティックに続いて選択された別のものと単に彼らの参照画像によって方法、獲得されたパフォーマンスing 2で優勝する。 0.59
We then point out that the true and training can reference the obtained image in be comparison the validation splits of dataset by with PROBA-V-REF, target, the HR and propose a version the PROBA-V dataset with the true LR refof best and first the retrain Finally, we erences. 次に、真のトレーニングとトレーニングは、PROBA-V-REF、ターゲット、HRによるデータセットのバリデーション分割を比較して、得られたイメージを参照することができ、真のLR refofベストと最初に再トレーニングを備えたPROBA-Vデータセットのバージョンを提案します。 0.68
second the methods proposed in the PROBAchallenge on V-REF dataset and show that the ranking between them becomes inverted. 第二に、V-REFデータセットのPROBAchallengeで提案されたメソッドは、それらの間のランキングが反転することを示しています。
訳抜け防止モード: 第2に PROBAchallenge on V - REF データセットで提案されたメソッド 両者のランキングが逆転することを示します
0.70
2 Related works have been proven a Lately, algorithms deep learning these methods However, super-resolution. 2 関連作業は最近、アルゴリズムのディープラーニングこれらの方法が証明されていますが、超解像。 0.56
in success heavily performance reand data-hungry are their abundance of the training on lies the quality the and dataset. 成功において、パフォーマンスの大幅な改善とデータハンギングは、トレーニングの質とデータセットの豊富さです。 0.66
data was realistic training with of importance The highlighted algorithms. データは重要視されたアルゴリズムで現実的なトレーニングでした。 0.69
in [4] for SISR The authors comprised proposed [4] a dataset of real pairs of of LR/HR images and showed that the models trained trained those results on achieved much it than better [1]. sisrの[4]では、著者らは[4]実対のlr/hr画像のデータセットを提案し、トレーニングされたモデルが、その結果をより優れたものよりも多く達成したことを示した[1]。
訳抜け防止モード: in [ 4 ] for SISR 著者らは [ 4 ] LR / HR 画像の実対のデータセットを作成した。 訓練されたモデルが 実験の結果を それ以上に達成しました [1 ]
0.83
synthetic on data usually Realistic MISR datasets are small and can only be used to test an MISR algorithm (for example 1). 合成データは通常、リアルなMISRデータセットは小さく、MISRアルゴリズムをテストするためにのみ使用できる(例えば1)。 0.74
learning MISR deep Most dataset the MDSP of [6, data are algorithms trained 10]. MISRの深層学習 MDSPのデータセットは [6,データは10] アルゴリズムで訓練されています。 0.78
on simulated It was not until the publication of the PROBAV dataset that the training of deep learning MISR The dataset. シミュレーション 深層学習MISRのトレーニングがデータセットである PROBAV データセットを公開するまでは、そうではなかった。 0.80
real-world on be methods done could a two equipped satellite PROBA-V is with types of with cameras different resolutions and revisit times. 実世界のbeメソッドでは、2つの装備の衛星 PROBA-V が、解像度の異なるカメラと再訪時間を持つ可能性がある。 0.64
This setup opens the way to a supervised interesting learning data. このセットアップは、教師付き興味深い学習データへの道を開く。 0.65
real-world new MISR methods with of 1http://www.soe.ucsc .edu/~milanfar/softw are/srdatasets.html 1http://www.soe.ucsc .edu/~milanfar/softw are/srdatasets.html 0.35
2 2 0.85
英語(論文から抽出)日本語訳スコア
However, the limitation of the PROBA-V dataset image reference the that is is the of information not Indeed, potential. しかし、PROBA-Vデータセットの画像参照の限界は、実際の情報ではなく、潜在的な情報です。 0.73
provided, which its hinders huge most of traditional MISR methods like shift-and-add, kernel-regression [14], polynomial fitting [2] start by domain common to images all registering the a LR one to which usually chosen that of LR image is be in the series (typically the one we are interested in super-resolving). これにより、シフト・アンド・アダクション、カーネル・レグレッション[14]、多項式フィッティング [2] といった伝統的なmisrメソッドのほとんどを、通常lrイメージのそれを選択する a lr の1 を登録するイメージに共通する領域から始めることができる(典型的には超解法に興味がある)。 0.66
The two top performing methods of HighResand DeepSUM [11] Proba-V the challenge as net pick a specific LR image anchor for [7] also an the reconstruction. HighResand DeepSUM [11] Proba-Vの2つのトップパフォーマンス手法は、[7]の特定のLRイメージアンカーをネットで選択する際の課題である。 0.68
DeepSUM selects the LR image with the highest clearance the reference for the as registration the median chooses HighRes-net step. DeepSUMは、HighRes-netステップを中央値として、参照を最もクリアランスの高いLR画像を選択する。 0.71
of the as in clearest LR the reference fusion images 9 step. 最もクリアなLRの場合、参照融合画像は9ステップである。 0.76
3 Recovering ence the 3 エンス回復 はあ? 0.59
true LR refer- from the contains The PROBA-V dataset scenes 566 spectral scenes band NIR and the from RED 594 For each only scene, band. 本当 LR参照 PROBA-Vデータセットシーン566スペクトルシーンバンドNIRとRED 594からの各シーン、バンドが含まれています。 0.74
there is one HR image of 384× 384 pixels and several LR images (from 9 to 35 128×128 one month) a period of taken over images of LR images be pixels. 384×384ピクセルのHR画像といくつかのLR画像(9から35 128×128まで1ヶ月)があり、LR画像の画像がピクセルとなる期間があります。 0.85
The in can very differone set ent due to change of illumination, presence of clouds, shadows or ice/snow covering. インは非常に異なる照明、雲の存在、影または氷/雪のカバーの変更によるセットのentを設定できます。 0.65
A status map is procan LR image in pixels indicate which vided a to be of “clearance reliable fusion. ステータスマップは、ピクセル内のLRイメージを「クリアランスの信頼できる融合」と示すものです。 0.70
The for score” an image the percentage is defined as of clear pixels in its status map. 画像の「スコアのための」パーセンテージは、そのステータスマップの明確なピクセルとして定義されます。 0.69
The dataset is carefully hand picked such that the LR images have at least 60% clearance and day a 75% clearance. データセットは、LR画像が少なくとも60%のクリアランスと75%のクリアランスを有するように慎重に選択される。 0.77
Within least at the HR has 30 one HR than period, even if more image verify this condition, only the one with highest clearance is the selected as the target. 少なくともHRは、期間よりも30人のHRを持ち、より多くの画像がこの条件を検証しても、最高クリアランスの1人のみがターゲットとして選択されます。 0.69
Since the PROBA-V dataset imLR between distinction make does the not any ages, the MISR methods have to produce some kind of average SR image. 区別間の PROBA-V データセットの imLR はどの年齢も作らないので、MISR 法はある種の平均 SR 画像を生成する必要があります。 0.75
To help them recover the true details on SR image, we need the information of the Fig. 彼らがSR画像の本当の詳細を回復するのを助けるには、図の情報が必要です。 0.74
(see LR reference true the 1). (LR参照真の1を参照のこと。 0.79
retrieve we set, training element For each the of the true LR reference by determining the LR image recover we set, training element 真のLR参照のそれぞれに対して、LRイメージを判定する。 0.87
“similar” to the HR. To this aim, that is the most version 3) a (by subsampled factor a first and filtered LR align we Then, the frames computed. HRに似ています。 この目的のために、最も多くバージョン3 である a (第1および第2のLRアライメントをサブサンプリングすることで) を計算します。 0.65
HR of is HR using the inverse comwith the downsampled and compute the pixel-wise positional algorithm [3] true The them. is HR of is HR using the inverse com with the downsampled and compute the pixel-wise positional algorithm [3] true The them。 0.90
between errors root-mean-square refminimizes that LR chosen erence is image the as The the computed indexes of the true refererror. エラーの間 root-mean-square は LR が選択した erence をイメージとして再認識します。 0.70
ences for the PROBA-V dataset can be found here: https://github.com/c mla/PROBAVref. PROBA-Vデータセットのエンスはこちら(https://github.com/ cmla/PROBAVref)。 0.56
Experiments 4 the that demonstrate we section, this In reference used. 実験 4 我々 のセクションを実証します。 0.45
the technique as important Then image is as and the benefit discuss of the PROBAwe illustrate V-REF dataset real-world applications. 次に、画像は重要な技術であり、利点は、V-REFデータセットの実世界のアプリケーションを示すPROBAweの議論です。 0.60
for reconstructions we the For evaluating the quality of “corrected clear” PSNR (cPSNR) adopt the [9] metric PROBA-V introduced challenge. 修正されたクリア”PSNR(cPSNR)の品質を評価するために、[9]メトリック PROBA-V導入の課題を採用しています。 0.75
specificity for The is that of this metric status map the it takes the of account into HR truth ground intensity allows and biases and small pixel-translations between the supertarget. このメトリックステータスマップの特異性は、HRの真理地上強度が許容し、バイアスとスーパーターゲット間の小さなピクセル変換を考慮に入れることです。 0.62
image resolved and the settings Experimental 4.1 competitors of the two the top As mentioned earlier, LR image in the PROBA-V use a specific challenge anchor. 画像の解決と設定 上記のように、PROBA-VのLR画像は特定のチャレンジアンカーを使用する。
訳抜け防止モード: 画像の解決と設定 上述の2つの競合の実験的4.1の競合。 PROBAのLRイメージ - Vは特定のチャレンジアンカーを使用する。
0.74
series as challenge. of winner the DeepSUM [11] — is It the clearance uses the LR with the highest as the reference. 挑戦としてシリーズ 勝者のDeepSUM [11] — それはクリアランスが参照として最も高いLRを使用します。 0.77
registration step aligns all other images to A the reference. 登録ステップは、他のすべてのイメージを参照に合わせる。 0.66
place second the [7] — achieved HighRes-net the in challenge. 2位は[7] – highres-netの挑戦を成し遂げた。 0.75
The median of the images with the high9 est clearance is considered as a shared representation for multiple Each LR image embedded LR. 高い9estクリアランスを持つ画像の中央値は、複数の各LR画像埋め込みLRの共有表現とみなされる。 0.76
is recurbefore image reference this with jointly being sively fused. これは再帰的なイメージ参照であり、シブに融合されます。 0.43
To show that the choices of the reference images by DeepSUM and HighRes-net are suboptimal we true scratch retrain the using from them referLR (see Sec. DeepSUMとHighRes-netによる参照イメージの選択が最適以下であることを示すために、referenceLRから真にスクラッチをリトレーニングする。 0.69
ences 3) and name these two adjusted methHighRes-net-ref ods DeepSUM-ref and respectively. ences 3) と命名し、それぞれmethhighres-net-ref ods deepsum-ref と命名する。 0.57
3 3 0.85
英語(論文から抽出)日本語訳スコア
(dB) cPSNR Table 1: Average over the validation for DeepSUM and HighRes-net. (dB) cPSNR Table 1: DeepSUM と HighRes-net の検証に関する平均値。 0.90
dataset original The in highlighted is performance orange and the best highlighted are performances blue in データセットのオリジナル 強調表示はパフォーマンスオレンジ、強調表示はパフォーマンスブルーです。 0.75
Table 2: Average cPSNR the validation dataset for DeepSUM-SI, DeepSUM-ref and HighReseach methods, For net-ref. 表2: 平均cPSNRは、DeepSUM-SI、DeepSUM-ref、HighReseachメソッドの検証データセットです。 0.79
performance is highlighted in blue. パフォーマンスは青で強調されます 0.75
over best (dB) the 最善を尽くす (dB) 0.64
Methods DeepSUM HighRes-net DeepSUM HighRes-net法 0.66
Training ref. refトレーニング。 0.72
Clearance Median クリアランスメディア 0.72
Simil. 47.99 47.77 Simil 47.99 47.77 0.50
Clearance 47.75 47.26 クリアランス47.75 47.26 0.55
Evaluation Evaluation ref. 評価 評価 Ref. 0.73
Median 47.62 47.48 Median 47.62 47.48 0.59
Heuristic 47.87 47.57 Heuristic 47.87 47.57 0.59
Methods DeepSUM-ref HighRes-net-ref DeepSUM-SI DeepSUM-ref HighRes-net-ref DeepSUM-SI法 0.43
Training ref. refトレーニング。 0.72
Similarity Similarity Similarity Simil. 類似性類似性 Simil 0.66
50.24 50.49 49.05 50.24 50.49 49.05 0.47
Clearance 46.38 46.35 45.57 クリアランス46.38 46.35 45.57 0.49
ref. Median 46.69 46.47 45.85 Ref. Median 46.69 46.47 45.85 0.61
Heuristic 49.10 49.29 47.96 Heuristic 49.10 49.29 47.96 0.53
that demonstrate Furthermore, we SISR algorithm a can achieve better true trained on the references score aim, this To HighRes-net. さらに、我々のSISRアルゴリズムは、参照スコアの目的に基づいて訓練されたより優れた真性を達成することができる。 0.61
DeepSUM and than we version a introduce DeepSUM-SI, of DeepSUM modified to perform SISR by replacing all input images by references. DeepSUMは、すべての入力イメージを参照で置き換えることでSISRを実行するように修正されたDeepSUM-SIである。 0.72
the true the show 2 Tables of performances and 1 these spectral NIR for the the methods on validation set consisting band, of 170 scenes. The true the show 2 Tables of Performances and 1 these spectrum NIR for the method on validation set consisting band, of 170 scenes。 0.74
choosing We consider different ways of the referon ence set: validation the computed in as reference Similarity — is the true Sec. 参照集合の異なる方法を考える:検証 参照の類似性として計算される検証は、真のsecである。 0.76
3. clearance — chooses the LR view that has Highest [11]. 3. クリアランス — Highest[11]を持つLRビューを選択する。 0.84
score, clearance the as in best LR the median the Median — takes of clearest 9 the observations as reference, as in [7]. score, clearance the as in best lr the median the median — takes clear of the observations as reference, as in [7]. (英語) 0.70
Heuristic — In the test set, the ground HR truth available are the to heuristic so we predict a use not reference funcobjective this images. ヒューリスティック — テストセットでは、利用可能な地上のHRの真実はヒューリスティックであるため、この画像を参照しない使用を予測します。 0.60
By minimizing (cid:110)(cid:107)Ma skLR tion: iheur = argmini (cid:111) i + α|median(LRi) − median(LRset)| + β clearance(LRi) , (1) the designates where Mask status map of image, an of is LRset the LR images, input set the is clearance pixels sum of all clear of a LR, to we manage guess the scenes of than more references true in in 50% the training set. (cid:110)(cid:107)Ma skLR tion: iheur = argmini (cid:111) i + α|median(LRi) − median(LRset)| + β clearance(LRi) を最小化することにより、(1) Mask のステータスマップと an が LR である場所を指定し、LR イメージを LR セットとし、入力セットは LR のすべてのクリアのクリアランスピクセルの和である。
訳抜け防止モード: cid:110)(cid:107)Mas kLR tion : iheur = argmini (cid:111 ) i の最小化 + α|median(LRi ) − median(LRset)| + β clearance(LRi ), ( 1 ) 画像のMaskステータスマップがどこにあるかを指定する。 a は LR イメージを LR セットします。 input set the is clearance pixels sum of all clear of a LR, トレーニングセットの50%で、より多くの参照のシーンが正しいと推測できます。
0.94
We set in our α = 0.1, β = 0.3 experiments. α = 0.1 で、β = 0.3 で実験を行う。 0.76
− Downscale(MaskHR)(ci d:107)1 -ダウンスケール(maskhr)(cid:107)1 0.74
observe Discussion 4.2 the results (Table Inspecting the 1), we that the competitors two of top are PROBA-V challenge the type of reference by affected reimages. 観察 議論4.2の結果(表1)、私たちは、トップの競合他社2は、影響を受けたリイメージによる参照の種類に挑戦PROBA-Vであること。 0.64
Without training, using the true references or “heuriseven the tic references” systematically improves In results. トレーニングなしでは、真の参照を使用するか、体系的に結果が改善されます。 0.52
the than HighRes-net. HighRes-netより。 0.88
this better setting, DeepSUM is trained (Table with Being the true references 2), DeepSUM-ref and HighRes-net-ref are to the superior original DeepSUM and HighRes-net by a very large ref“heuristic the dB). このより良い設定、DeepSUMは訓練されています(真の参照であることとテーブル2)、DeepSUM-refとHighRes-net-refは、非常に大きなrefによる優れたオリジナルのDeepSUMとHighRes-netです。 0.77
With (2.49 margin and 3.01 erences”, can surpass the they still original methods by and respectively. 2.49マージンと3.01マージン”では、それぞれが元のメソッドを上回ることができる。 0.58
We admit that dB 1.81 1.35 MaskHR by using this method does not the follow conproof a However, the of rules as of contest. この方法を使用することでdB 1.81 1.35 MaskHRは追従防止ではないことを認めます。
訳抜け防止モード: この方法を使用することで dB 1.81 1.35 MaskHR は追従防止ではないことを認めます。 コンテストのルール。
0.75
results cept, we submitted the of HighRes-net-ref “heuristic official references” with the on the postmortem PROBA-V challenge2. 結果 cept はhighres-net-ref “heuristic official references” を postmortem proba-v challenge2 に提出した。 0.77
At this point time, in the resulting method is ranked the second place in perthe significantly surpassing and leaderboard the the original DeepSUM and HighRes-net. この時点で、結果の方法は、オリジナルのDeepSUMとHighRes-netをはるかに上回る第2位にランクされている。 0.63
formances of the mask is Although this heuristic based on of the impact HR, shows the referit that the choice of the the have can image ence results. マスクのフォーマンス (Formances of the mask) は、衝撃HRに基づくこのヒューリスティックであるが、その選択がエンゲージの結果を画像化できることを示している。 0.67
on where this situation Furthermore, observe that in the true references are provided, HighRes-net-ref is better than DeepSUM-ref. さらにこの状況で、真の参照が提供される場合、HighRes-net-refはDeepSUM-refよりも優れていることに注意してください。 0.64
We can conclude that the its strongly challenge design the outcome. 結果に強く挑戦していると結論付けることができる。 0.68
affects of On the other hand, the SISR algorithm DeepSUMthan SI achieves much better results the MISR algorithm DeepSUM. 一方、SISRアルゴリズムのDeepSUMthan SIはMISRアルゴリズムのDeepSUMよりも優れた結果が得られる。 0.66
This is due temporal variabilto the ity between LR observations. これはLR観測の時間的変動によるものである。 0.74
sense, networks In some 2https://kelvins.esa .int/PROBA-v-super-r esolutionpostmortem sense, networks in some 2https://kelvins.esa .int/proba-v-super- resolutionpostmortem 0.40
4 4 0.85
英語(論文から抽出)日本語訳スコア
appropriate to usually we want series. 通常私達はシリーズを望みます。 0.69
a time practical to of super-resolve 時間よ 実用的だ スーパーリゾルバの 0.59
use super-resolution since in image a 利用 画像 a 以降の超解像度 0.70
specific Conclusion 5 the that demonstrated have work, this we In LR the not PROBA-V challenge, by providing true perforMISR the not evaluating reference only is of mance the methods, but also the way in which the LR reference images are chosen. 具体的 結論 5 では, LR を PROBA-V チャレンジではなく, 真の perforMISR を提供することによって, 参照評価を行わない参照はメソッドを強制するだけでなく, LR 参照画像が選択される方法も提供する。 0.77
The later aspect is irrelevant in the many practical use cases where the To application. 後者の側面は、toアプリケーションが適用される多くの実用的なユースケースとは無関係です。 0.55
dictated is image reference the by use this proposed PROBA-V-REF a address case, we reference dataset with true variant of the the images in the training and obvalidation splits. 画像参照は,提案した PROBA-V-REF をアドレスケースとして使用することにより,トレーニングおよび無効化分割における画像の真の変種によるデータセットを参照する。 0.72
These were tained by comparing the LR images and a downscaled that, truth HR. これらはLR画像とそれより低いスケールの真理HRを比較して得られたものです。 0.64
We ground the of version believe by future methods using the provided true LR images, will be able to use this unique real dataset to focus on the core problem of MISR: making the most out of LR images. 我々は、提供された真のLR画像を用いた将来の手法により、このユニークなリアルデータセットを使用して、MISRの中核的な問題、すなわちLRイメージを最大限に活用することが可能になると信じている。
訳抜け防止モード: 今後の方法によるバージョン信頼の基盤 提供された真のLR画像を使って このユニークな実際のデータセットを MISRの核となる問題に焦点をあてる : LRイメージを最大限に活用すること。
0.86
the in information complementary the in information complementary (複数形 in information complementarys) 0.47
Acknowledgements a by This Régrant supported work was It by partly gion was also Île-de-France. この移民の支持した作品によるaの承認は、一部はギオンによるものであった。 0.44
IDI ANR-11-IDEX-0003IDEX 2016, Paris-Saclay grant N00014-17-1-2552, 02, Office research of Naval no ANR-17DGA Astrid » la Terre « filmer project ASTR-0013-01, MENRT. IDI ANR-11-IDEX-0003IDEX 2016 Paris-Saclay grant N00014-17-1-2552, 02, Office Research of Naval No ANR-17DGA Astrid シュ・ラ・テレ・ジ フィルムプロジェクト ASTR-0013-01, MENRT 0.64
This performed work was using HPC resources from GENCI–IDRIS (grant from the 2020-AD011011801) com“Mésocentre” and puting ENS CentraleSupélec center of Parisand Saclay supported by CNRS and Région Île-de-France (http://mesocentre.c entralesupelec.fr/). この作業は、GENCI-IDRIS (2020-AD011011801) com “Mésocentre” の花) の HPC リソースを使用し、パリサンサクレイのENS CentraleSupélec センターを CNRS とル=ド=フランス (http://mesocentre.c entralesupelec.fr/) が支援した。 0.66
from financed References and E. Agustsson R. [1] on image single lenge study. 資金提供から 画像シングルレンジ研究における参照とE. Agustsson R.[1]。 0.73
and In CVPRW, Timofte. CVPRWでは、 ティモフテ。 0.55
Ntire super-resolution: 2017. スーパーレゾリューション:2017年。 0.67
2017 chalDataset 2017 chalDataset 0.85
Figure 2: of Examples by DeepSUMreconstructio n ref and DeepSUM with references different false (in color). 図2:DeepSUMreconstruct ion refとDeepSUMの例で、異なる偽(色)を参照します。 0.78
The first line to corresponds crops three of and line second different LR images in the The set. 作物に対応する最初の行は、セット内の第2の異なるLR画像のうち3つとラインです。 0.71
a reconstruction the show line third by DeepSUM-ref and DeepSUM respectively when using each of these three LR as the reference image. 3つのLRを基準画像として使用する場合、DeepSUM-refとDeepSUMで3番目の表示線を再構成する。 0.70
the reference the of knowledge trained without image guessing the tasks: to deal with two different have refusing specific that super-resolving and erence image complementary from information other the images set. はあ? タスクを推測せずに訓練された知識を参照します。2つの異なる処理には、設定された画像以外の情報から超解決とエレンスイメージを補完することを拒否します。
訳抜け防止モード: はあ? 画像からタスクを推測せずに訓練された知識を参照すること : 2つの異なる問題に対処するために super - 画像セット以外の情報から補完する解像と誤像。
0.55
Of the guess is random (at the in course least among the high clearance), LR images with thus the SR image. 推測の1つはランダム(高クリアランスの中では当然のことながら)で、LRイメージはSRイメージを持つ。 0.72
sort some predict network will average of the the information about Adding the reference helps super-resolution networks to focus on the problem. 予測ネットワークのソート 参照の追加に関する情報の平均は、スーパーレゾリューションネットワークが問題に集中するのに役立ちます。 0.82
impact To evaluate the the reference the result of on of DeepSUM and DeepSUM-ref, select three LR we (see reference the as days different in taken images Fig. deepsumとdeepsum-refの結果の参照を評価するために、3つのlrを選択します(図のas days different in taken image figを参照してください)。
訳抜け防止モード: 影響 DeepSUMとDeepSUMの結果の参照を評価する - ref。 3つのLRを選択します(撮影された画像で異なる日を参照)。
0.70
2). each case, DeepSUM-ref faithfully recovIn ers fine details in the SR image. 2). 各ケース、DeepSUM-refは、SRイメージの詳細な詳細を忠実に再現します。 0.72
On the other hand, the vegetation covers outputs of DeepSUM are on the reconThe references. 一方で、deepsumのアウトプットを覆っている植生は、その再概念参照である。 0.58
with inconsistent the of that correlate with to struction of DeepSUM is less likely the reference. DeepSUMの構造と相関する一貫性の欠如は、参照の可能性が低くなります。 0.74
Consequently, DeepSUM-ref is more したがって、DeepSUM-refはもっと大きい 0.63
5 LRt0t1t2DeepSUM-refD eepSUM 5 LRt0t1t2DeepSUM-refD eepSUM 0.54
英語(論文から抽出)日本語訳スコア
[2] [3] [4] [2] [3] [4] 0.85
[5] [6] [7] [5] [6] [7] 0.85
[8] [9] [10] [8] [9] [10] 0.85
[11] [12] [13] [11] [12] [13] 0.85
Facsuper- benchmark Facsuper- ベンチマーク 0.66
In Image net- super- 内 画像ネット スーパー 0.64
Recursive of satellite fusion im- 衛星の再帰 融合イム- 0.67
and X. Tang. そしてX.Tang。 0.63
convolutional convolutional~ 0.70
and L. Zhang. そしてL. Zhang。 0.83
super-resolution: ICCV, 超解像度: ICCV。 0.66
Franchis, and G. multi-frame 2020. FranchisとG. multi-frame 2020。 0.86
ISPRS, Equivalence and effiIn CVPR, algorithms. ISPRS、等価およびeffiIn CVPR、アルゴリズム。 0.72
de J. Anger, T. Ehret, C. accurate Fast ciolo. デ・J。 Anger, T. Ehret, C. accurate Fast ciolo。 0.84
and satellite resolution images. 衛星の解像度画像です 0.75
of I. Matthews. I.Matthewsの略。 0.54
S. Baker and ciency of alignment image 2001. s. baker and ciency of alignment image 2001年。 0.77
J. Cai, H. Zeng, H. Yong, Z. Cao, Toward real-world single image A new new model. J. Cai, H. Zeng, H. Yong, Z. Cao, Toward real-world single image 新しいモデル。 0.96
a and 2019. C. Dong, C. C. Loy, K. He, using super-resolution deep 2015. aと2019。 C. Dong, C. C. Loy, K. He, using Super- resolution Deep 2015 0.69
TPAMI, works. TPAMIは、働きます。 0.69
et B. Wronski al. とB.Wronski al。 0.88
Handheld multi-frame 2019. resolution. ハンドヘルドマルチフレーム2019。 0.53
ACM TOG, et M. Deudon al. ACM TOG, et M. Deudon al. 0.94
Highres-net: super-resolution for multi-frame agery. highres-net: マルチフレーム時代の超解像。 0.54
arXiv, 2020. and K. Mu J. Kwon J. Kim, Lee, convolutional network recursive for resolution. arXiv, 2020. and K. Mu J. Kwon J. Kim, Lee, convolutional network recursive for resolution。 0.97
In CVPR, 2016. 2016年、CVPR。 0.69
M. Märtens, D. Izzo, A. Krzic, and D. Cox. M.Märtens, D. Izzo, A. Krzic, D. Cox 0.90
convoimages of Super-resolution using proba-v Astrodynamics, lutional networks. proba-v Astrodynamics, lutional network を用いた超解像 0.78
neural 2019. neural 2019所属。 0.83
E. M. Masutani, A. Hsiao. E.M.益谷、A.Hsiao。 0.59
Deep multiframe learning Radiology, super-resolution 2020. 深層マルチフレーム学習ラジオロジー、超解像度2020。 0.59
A. B. Molini, D. Valsesia, G. Fracastoro, and Deep Deepsum: E. Magli. A。 B. Molini、D. Valsesia、G. Fracastoro、Deep Deepsum: E. Magli。 0.83
network for neural of multitemporal unregistered super-resolution images. 多時間非登録超解像画像のニューラルネットワーク。 0.73
TGRS, 2019. 2019年、TGRS。 0.91
IEEE A. Smiley, D. Murthy, K. H. Shearn, B. M. Skysat-1: and M. D. Robinson. IEEE A. Smiley, D. Murthy, K. H. Shearn, B. M. Skysat-1: and M. D. Robinson 0.82
Chau, J. Levine, imagery satelsmall very high-resolution from a lite. Chau, J. Levine, image satelsmall very high- resolution from a lite. 0.92
In Satell., 2014. 2014年、satell社。 0.72
Sens. Syst. センサー。 シスト。 0.57
Next-Gener. Nasrollahi K. SuperMoeslund. 次世代。 Nasrollahi K. SuperMoeslund。 0.77
and B. comprehensive resolution: a survey. そしてB.包括的な解像度:調査。 0.68
Vis. Appl., 2014. Vis 2014年3月。 0.64
N. Bahrami, and and single-frame for cardiac mri. N.Bahramiおよび心臓mriのための単一フレーム。 0.83
Deeplysuper- Deeplysuper- 0.78
Lee. image T. リー。 image T。 0.73
Mach. P. Milanfar. Mach P.Milanfar。 0.63
Kernel reconstruc- and processing カーネル再構成 処理は 0.61
H. Takeda, S. Farsiu, image for regression 2007. H. Takeda, S. Farsiu, image for regression 2007 0.88
TIP, tion. TIP, tion。 0.80
IEEE L. Yue, H. Shen, J. Li, Q. Yuan, H. L. super-resolution: Image Zhang. IEEE L. Yue, H. Shen, J. Li, Q. Yuan, H. L. Super- resolution: Image Zhang 0.86
and future. niques, applications, 2016. そして未来 niques, applications, 2016を参照。 0.67
and Zhang, The そして Zhang (複数形 Zhangs) 0.59
and techSignal Process., そしてtechSignal Process。 0.71
[14] [15] 6 [14] [15] 6 0.85
             ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。