Fugu-MT 論文翻訳(概要): A single image deep learning approach to restoration of corrupted remote sensing products

論文の概要: A single image deep learning approach to restoration of corrupted remote sensing products

arxiv url: http://arxiv.org/abs/2004.04209v1
Date: Wed, 8 Apr 2020 19:11:32 GMT
ステータス: 処理完了
システム内更新日: 2022-12-15 08:35:31.795282
Title: A single image deep learning approach to restoration of corrupted remote sensing products
Title（参考訳）: 単一画像深層学習による劣化したリモートセンシング製品の復元
Authors: Anna Petrovskaia, Raghavendra B. Jana, Ivan V. Oseledets
Abstract要約: 画像は、機器のエラーや雲のような自然の障害物など、さまざまな理由で破損する可能性がある。本稿では, 破損した画像のみを入力として, 欠落情報を復元するための新しい手法を提案する。
参考スコア（独自算出の注目度）: 15.358240034909743
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Remote sensing images are used for a variety of analyses, from agricultural monitoring, to disaster relief, to resource planning, among others. The images can be corrupted due to a number of reasons, including instrument errors and natural obstacles such as clouds. We present here a novel approach for reconstruction of missing information in such cases using only the corrupted image as the input. The Deep Image Prior methodology eliminates the need for a pre-trained network or an image database. It is shown that the approach easily beats the performance of traditional single-image methods.
Abstract（参考訳）: リモートセンシング画像は、農業モニタリング、災害救助、資源計画など、さまざまな分析に使用されている。画像は、計器誤差や雲などの自然障害など、いくつかの理由により破損する可能性がある。本稿では, 破損した画像のみを入力として, 欠落情報を復元するための新しい手法を提案する。深層画像先行手法は、事前訓練されたネットワークまたは画像データベースの必要性をなくす。この手法は, 従来の単一画像法の性能に匹敵することを示す。

関連論文リスト

Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。本稿では,新たな視点から生成した画像検出問題にアプローチする。実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文参考訳（メタデータ） (2023-11-02T03:09:37Z)
All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
論文参考訳（メタデータ） (2023-08-06T04:51:41Z)
Zero shot framework for satellite image restoration [25.163783640750573]
衛星画像復元のための歪み分散と知識蒸留の枠組みを提案する。我々のアルゴリズムでは、歪みした衛星画像の復元と、類似した意味を持つ参照画像の2つの画像しか必要としない。
論文参考訳（メタデータ） (2023-06-05T14:34:58Z)
LTT-GAN: Looking Through Turbulence by Inverting GANs [86.25869403782957]
本稿では,よく訓練されたGANによってカプセル化された視覚的事前情報を利用した最初の乱流緩和手法を提案する。視覚的先行性に基づき、周期的な文脈距離で復元された画像の同一性を維持することを学ぶことを提案する。本手法は, 回復した結果の視覚的品質と顔認証精度の両方において, 先行技術よりも優れていた。
論文参考訳（メタデータ） (2021-12-04T16:42:13Z)
Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images [38.95610086309832]
本稿では,教師なしの粗い画像アライメントと教師なしの画像再構成の2段階からなる,教師なしの深層画像ストレッチフレームワークを提案する。第1段階では、大規模なベースラインシーンに適した教師なしホモグラフィネットワークを制約するアブレーションに基づく損失を設計する。第2段階では、画素レベルの不一致を一定程度特徴レベルで除去できるという知見に動機付けられ、特徴から画素へのアーティファクトを除去するための教師なし画像再構成ネットワークを設計する。
論文参考訳（メタデータ） (2021-06-24T09:45:36Z)
Generative Autoregressive Ensembles for Satellite Imagery Manipulation Detection [18.977376778727898]
衛星画像は、軌道を周回する商用衛星の増加により、ますますアクセスしやすくなっている。画像の改ざんや修正が容易で、画像操作ツールが下流のアプリケーションにダメージを与える。本稿では、生成自己回帰モデルのアンサンブルを用いて、画像の画素分布をモデル化し、潜在的な操作を検出する。
論文参考訳（メタデータ） (2020-10-08T04:41:30Z)
You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network [63.2086502120071]
地中清浄画像(教師なし)と画像収集(訓練なし)を訓練することなく、深層学習が画像脱ハージングを実現する方法について検討する。教師なしニューラルネットワークは、ヘイジークリーンなイメージペアの集中的な労働力を回避し、トレーニングされていないモデルは、真のシングルイメージデハージングアプローチである。層解離のアイデアに触発されて、イメージデハージングのための最初の教師なし、訓練されていないニューラルネットワークの1つになり得る、あなただけ(textbfYOLY)と呼ばれる新しい方法を提案する。
論文参考訳（メタデータ） (2020-06-30T14:05:47Z)
Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
論文参考訳（メタデータ） (2020-03-30T17:45:07Z)
Single image reflection removal via learning with multi-image constraints [50.54095311597466]
本稿では、上記のアプローチの利点を組み合わせ、その欠点を克服する新しい学習ベースソリューションを提案する。提案アルゴリズムはディープニューラルネットワークを学習して、複数の入力画像間で強化されたジョイント制約でターゲットを最適化する。我々のアルゴリズムは実画像上でリアルタイムかつ最先端の反射除去性能で動作する。
論文参考訳（メタデータ） (2019-12-08T06:10:49Z)

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。