Fugu-MT 論文翻訳(概要): Image fusion using symmetric skip autoencodervia an Adversarial Regulariser

論文の概要: Image fusion using symmetric skip autoencodervia an Adversarial Regulariser

arxiv url: http://arxiv.org/abs/2005.00447v2
Date: Thu, 4 Jun 2020 07:33:25 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 23:18:00.556753
Title: Image fusion using symmetric skip autoencodervia an Adversarial Regulariser
Title（参考訳）: 対称スキップオートエンコーダを用いた直交正規化器による画像融合
Authors: Snigdha Bhagat, S. D. Joshi, Brejesh Lall
Abstract要約: 本稿では,より現実的な融合画像を生成するために,残差対向ネットワークによって正規化された残差自己エンコーダアーキテクチャを提案する。残余モジュールはエンコーダ、デコーダ、および敵ネットワークの主要なビルディングとして機能する。本稿では、融合画像と元の視覚画像の教師あり学習を行う対向正規化ネットワークを提案する。
参考スコア（独自算出の注目度）: 6.584748347223698
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It is a challenging task to extract the best of both worlds by combining the spatial characteristics of a visible image and the spectral content of an infrared image. In this work, we propose a spatially constrained adversarial autoencoder that extracts deep features from the infrared and visible images to obtain a more exhaustive and global representation. In this paper, we propose a residual autoencoder architecture, regularised by a residual adversarial network, to generate a more realistic fused image. The residual module serves as primary building for the encoder, decoder and adversarial network, as an add on the symmetric skip connections perform the functionality of embedding the spatial characteristics directly from the initial layers of encoder structure to the decoder part of the network. The spectral information in the infrared image is incorporated by adding the feature maps over several layers in the encoder part of the fusion structure, which makes inference on both the visual and infrared images separately. In order to efficiently optimize the parameters of the network, we propose an adversarial regulariser network which would perform supervised learning on the fused image and the original visual image.
Abstract（参考訳）: 可視画像の空間特性と赤外画像のスペクトル内容を組み合わせることで、両世界のベストを抽出することは難しい課題である。本研究では,赤外線と可視画像から深い特徴を抽出し,より包括的でグローバルな表現を得る空間制約付き対向オートエンコーダを提案する。本稿では,残差逆ネットワークによって規則化された残差オートエンコーダアーキテクチャを提案し,より現実的な融合画像を生成する。残余モジュールは、エンコーダ、デコーダ及び敵ネットワークのプライマリビルディングとして機能し、対称スキップ接続への加算により、エンコーダ構造の初期層からネットワークのデコーダ部に直接空間特性を埋め込む機能を実行する。融合構造のエンコーダ部にある複数の層に特徴マップを付加することにより、赤外線画像のスペクトル情報を組み込むことにより、視覚画像と赤外線画像の両方を別々に推測する。そこで本研究では,ネットワークのパラメータを効率的に最適化するために,融合画像とオリジナル画像の教師付き学習を行う逆正規化ネットワークを提案する。

関連論文リスト

Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-19T14:24:03Z)
MaeFuse: Transferring Omni Features with Pretrained Masked Autoencoders for Infrared and Visible Image Fusion via Guided Training [57.18758272617101]
MaeFuseは、赤外線および可視画像融合(IVIF)用に設計された新しいオートエンコーダモデルである提案モデルでは,MAE(Masked Autoencoders)の事前訓練エンコーダを用いて,低レベル再構成と高レベル視覚タスクのためのオムニ特徴抽出機能を備えている。 MaeFuseは、融合技術という領域で新しい視点を導入するだけでなく、様々な公開データセットで顕著なパフォーマンスで際立っている。
論文参考訳（メタデータ） (2024-04-17T02:47:39Z)
RemoteNet: Remote Sensing Image Segmentation Network based on Global-Local Information [7.953644697658355]
リモートセンシング画像のセグメンテーションのためのリモートセンシング画像セグメンテーションネットワークであるRemoteNetを提案する。変換器と畳み込み機構の利点を活用することで,グローバルな特徴と局所的な特徴を捉える。
論文参考訳（メタデータ） (2023-02-25T14:09:52Z)
CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion [138.40422469153145]
本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
論文参考訳（メタデータ） (2022-11-26T02:40:28Z)
CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature Ensemble for Multi-modality Image Fusion [72.8898811120795]
我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
論文参考訳（メタデータ） (2022-11-20T12:02:07Z)
SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。提案した演算子は、最大プールやボキセル化操作を一切必要としない。提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-08T15:31:36Z)
A Joint Convolution Auto-encoder Network for Infrared and Visible Image Fusion [7.799758067671958]
我々は、赤外線および可視画像融合のためのジョイント畳み込みオートエンコーダ(JCAE)ネットワークを設計する。クロタリーナ動物の赤外線認識能力に触発され,赤外線および可視画像融合のためのジョイント・コンボリューション・オートエンコーダ(JCAE)ネットワークを設計した。
論文参考訳（メタデータ） (2022-01-26T03:49:27Z)
Convolutional Autoencoder for Blind Hyperspectral Image Unmixing [0.0]
スペクトルアンミックス(英: spectrum unmixing)は、混合ピクセルを2つの基本的代表、すなわちエンドメンバーとアブリダンスに分解する技法である。本稿では,ハイパースペクトル画像にブラインドアンミックスを行う新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-11-18T17:41:31Z)
When Image Decomposition Meets Deep Learning: A Novel Infrared and Visible Image Fusion Method [27.507158159317417]
赤外線と可視光の融合は画像処理と画像強調においてホットな話題である。本稿では,新しいデュアルストリーム自動エンコーダを用いた核融合ネットワークを提案する。
論文参考訳（メタデータ） (2020-09-02T19:32:28Z)
Guided Deep Decoder: Unsupervised Image Pair Fusion [26.999346037307888]
提案ネットワークは,誘導画像のマルチスケール特徴を利用するエンコーダデコーダネットワークと,出力画像を生成するディープデコーダネットワークとから構成される。提案するネットワークは,様々な画像融合問題において最先端の性能を実現することができることを示す。
論文参考訳（メタデータ） (2020-07-23T03:06:06Z)
Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic Image Segmentation [56.44853893149365]
セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
論文参考訳（メタデータ） (2020-07-19T18:44:34Z)

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。