論文の概要: Unsupervised Denoising for Satellite Imagery using Wavelet Subband
CycleGAN
- arxiv url: http://arxiv.org/abs/2002.09847v1
- Date: Sun, 23 Feb 2020 07:11:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 09:00:42.463529
- Title: Unsupervised Denoising for Satellite Imagery using Wavelet Subband
CycleGAN
- Title（参考訳）: ウェーブレットサブバンドサイクルガンを用いた衛星画像の教師なし雑音化
- Authors: Joonyoung Song, Jae-Heon Jeong, Dae-Soon Park, Hyun-Ho Kim, Doo-Chun
Seo, Jong Chul Ye
- Abstract要約: ウェーブレットサブバンドサイクル一貫性対向ネットワーク(WavCycleGAN)を用いた衛星画像の教師なしマルチスペクトル復調手法を提案する。
衛星画像センサにおける垂直ストライプと波動ノイズの除去実験の結果,提案手法が効果的にノイズを除去し,衛星画像の重要な高周波特性を保存できることが示されている。
- 参考スコア（独自算出の注目度）: 30.114034122521122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-spectral satellite imaging sensors acquire various spectral band images
such as red (R), green (G), blue (B), near-infrared (N), etc. Thanks to the
unique spectroscopic property of each spectral band with respective to the
objects on the ground, multi-spectral satellite imagery can be used for various
geological survey applications. Unfortunately, image artifacts from imaging
sensor noises often affect the quality of scenes and have negative impacts on
the applications of satellite imagery. Recently, deep learning approaches have
been extensively explored for the removal of noises in satellite imagery. Most
deep learning denoising methods, however, follow a supervised learning scheme,
which requires matched noisy image and clean image pairs that are difficult to
collect in real situations. In this paper, we propose a novel unsupervised
multispectral denoising method for satellite imagery using wavelet subband
cycle-consistent adversarial network (WavCycleGAN). The proposed method is
based on unsupervised learning scheme using adversarial loss and
cycle-consistency loss to overcome the lack of paired data. Moreover, in
contrast to the standard image domain cycleGAN, we introduce a wavelet subband
domain learning scheme for effective denoising without sacrificing high
frequency components such as edges and detail information. Experimental results
for the removal of vertical stripe and wave noises in satellite imaging sensors
demonstrate that the proposed method effectively removes noises and preserves
important high frequency features of satellite images.
- Abstract（参考訳）: マルチスペクトル衛星画像センサは、赤(R)、緑(G)、青(B)、近赤外線(N)などの様々なスペクトル帯域画像を取得する。
地上の被写体に対して各スペクトル帯の独自の分光特性により、多スペクトル衛星画像は様々な地質調査に利用することができる。
残念なことに、センサーノイズによる画像アーティファクトはシーンの質に影響を与え、衛星画像の応用に悪影響を及ぼす。
近年,衛星画像におけるノイズ除去のための深層学習手法が広く研究されている。
しかし,ほとんどのディープラーニング手法は,実際の状況では収集が困難であるノイズの多い画像とクリーンな画像ペアを必要とする教師付き学習方式に従っている。
本稿では,WavCycleGAN (Wavelet subband cycle-consistent adversarial network) を用いた衛星画像の教師なしマルチスペクトル復調手法を提案する。
提案手法は,対向的損失とサイクル整合性損失を用いた教師なし学習方式に基づいて,ペアデータの欠如を克服する。
さらに、標準イメージドメインサイクガンとは対照的に、エッジやディテール情報などの高周波成分を犠牲にすることなく効果的な分節化のためのウェーブレットサブバンドドメイン学習方式を導入する。
衛星画像センサにおける垂直ストライプと波動ノイズの除去実験の結果,提案手法が効果的にノイズを除去し,衛星画像の重要な高周波特性を保存できることが示されている。
関連論文リスト
- Beyond the Visible: Jointly Attending to Spectral and Spatial Dimensions with HSI-Diffusion for the FINCH Spacecraft [2.5057561650768814]
FINCHミッションは、農地の作物の残留物を監視することを目的としている。
ハイパースペクトルイメージングは、スペクトル情報と空間情報の両方をキャプチャする。
ランダムノイズ、ストライプノイズ、デッドピクセルなど、様々な種類のノイズが生じる傾向がある。
論文 参考訳（メタデータ） (2024-06-15T19:34:18Z) - Riesz-Quincunx-UNet Variational Auto-Encoder for Satellite Image
Denoising [0.0]
衛星画像のノイズ低減に使用される画像および時系列分解のためのハイブリッドRQUNet-VAE方式を提案する。
また,本手法をマルチバンド衛星画像に適用し,画像の分解,画像分割,拡散による時系列分解,画像分割などを行う。
論文 参考訳（メタデータ） (2022-08-25T19:51:07Z) - Toward deep-learning-assisted spectrally-resolved imaging of magnetic
noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。
これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文 参考訳（メタデータ） (2022-08-01T19:18:26Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Exploring Inter-frequency Guidance of Image for Lightweight Gaussian
Denoising [1.52292571922932]
本稿では,周波数帯域を低域から高域に漸進的に洗練するために,IGNetと呼ばれる新しいネットワークアーキテクチャを提案する。
この設計では、より周波数間先行と情報を利用するため、モデルサイズは軽量化でき、競争結果も維持できる。
論文 参考訳（メタデータ） (2021-12-22T10:35:53Z) - Unsupervised Image Denoising with Frequency Domain Knowledge [2.834895018689047]
教師付き学習ベースの手法は頑健な復調結果をもたらすが、大規模データセットの必要性により本質的に制限されている。
本研究では,周波数に敏感な非教師付き復調法を提案する。
自然および合成データセットを用いた結果から, 周波数情報で拡張した教師なし学習手法が, 最先端の遮音性能を実現することが示唆された。
論文 参考訳（メタデータ） (2021-11-29T07:41:32Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。
本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。
低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
論文 参考訳（メタデータ） (2021-08-03T12:26:33Z) - Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in
Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。
SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文 参考訳（メタデータ） (2021-03-02T16:45:08Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Spectral Synthesis for Satellite-to-Satellite Translation [6.266622997342922]
マルチスペクトルセンサーを搭載した地球観測衛星は、大気、陸、海洋の物理的および生物学的状態を監視するために広く利用されている。
これらの衛星は、地球上の異なるバンテージポイントを持ち、異なるスペクトルイメージングバンドを持ち、互いに一貫性のない画像を生み出す。
我々は、部分ラベルを用いた教師なし画像-画像変換問題として、マルチスペクトルセンサの合成スペクトル画像を生成する問題に取り組む。
論文 参考訳（メタデータ） (2020-10-12T21:36:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。