論文の概要: SAR2SAR: a semi-supervised despeckling algorithm for SAR images

• arxiv url: http://arxiv.org/abs/2006.15037v3
• Date: Tue, 13 Apr 2021 09:41:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 22:07:12.047782
• Title: SAR2SAR: a semi-supervised despeckling algorithm for SAR images
• Title（参考訳）: SAR2SAR:SAR画像のための半教師付き除種アルゴリズム
• Authors: Emanuele Dalsasso, Lo\"ic Denis, Florence Tupin
• Abstract要約: 本稿では,自己超越型ディープラーニングアルゴリズムSAR2SARを提案する。 時間的変化の補償と、スペックル統計に適応した損失関数に基づいて、SAR非特異化に適応する戦略を提示する。 提案アルゴリズムの可能性を示すために,実画像における結果について考察する。
• 参考スコア（独自算出の注目度）: 3.9490074068698
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Speckle reduction is a key step in many remote sensing applications. By strongly affecting synthetic aperture radar (SAR) images, it makes them difficult to analyse. Due to the difficulty to model the spatial correlation of speckle, a deep learning algorithm with self-supervision is proposed in this paper: SAR2SAR. Multi-temporal time series are leveraged and the neural network learns to restore SAR images by only looking at noisy acquisitions. To this purpose, the recently proposed noise2noise framework has been employed. The strategy to adapt it to SAR despeckling is presented, based on a compensation of temporal changes and a loss function adapted to the statistics of speckle. A study with synthetic speckle noise is presented to compare the performances of the proposed method with other state-of-the-art filters. Then, results on real images are discussed, to show the potential of the proposed algorithm. The code is made available to allow testing and reproducible research in this field.
• Abstract（参考訳）: スペックル低減は多くのリモートセンシングアプリケーションにおいて重要なステップである。 合成開口レーダ(SAR)画像に強い影響を与えることにより、解析が困難になる。 スペックルの空間的相関をモデル化することが困難であるため,本論文では自己超越型ディープラーニングアルゴリズムSAR2SARを提案する。 マルチ時間時系列が利用され、ニューラルネットワークはノイズの多い取得のみを見てSARイメージの復元を学ぶ。 この目的のために、最近提案された noise2noise フレームワークが採用されている。 時間的変化の補償と、スペックル統計に適応した損失関数に基づいて、SAR非特異化に適応する戦略を提示する。 合成スペックルノイズを用いた検討を行い, 提案手法の性能を他の最先端フィルタと比較した。 次に,提案アルゴリズムの可能性を示すために,実画像上の結果について議論する。 このコードは、この分野におけるテストと再現可能な研究を可能にするために利用可能である。

関連論文リスト

• Frequency-Guided Masking for Enhanced Vision Self-Supervised Learning [49.275450836604726]
  本稿では、事前学習の有効性を大幅に向上させる、新しい周波数ベースの自己監視学習(SSL)手法を提案する。 我々は、知識蒸留によって強化された2ブランチのフレームワークを使用し、モデルがフィルタされた画像と原画像の両方を入力として取り込むことを可能にする。
  論文  参考訳（メタデータ） (2024-09-16T15:10:07Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• Fast strategies for multi-temporal speckle reduction of Sentinel-1 GRD images [3.5136650608171833]
  本稿では,SAR2SARという単一画像の切り離しアルゴリズムを用いた2つの高速戦略をマルチテンポラリ・フレームワークで検討する。 1つはQueganフィルタに基づいており、SAR2SARによる局所反射率事前推定を置き換える。 2つ目は、SAR2SARを使用して、「スーパーイメージ」の形で多時間情報を符号化する比画像からスペックルを抑圧する。
  論文  参考訳（メタデータ） (2022-07-22T14:38:37Z)
• 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)
• Transformer-based SAR Image Despeckling [53.99620005035804]
  本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。 提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。 実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2022-01-23T20:09:01Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• SAR Image Despeckling Based on Convolutional Denoising Autoencoder [13.579420996461439]
  SAR(Synthetic Aperture Radar)イメージングでは、画像解析において非特異性が非常に重要である。 本稿では,C-DAE(Convolutioal Denoising Autoencoder)を用いて,スペックルフリーなSAR画像の再構成を行う。
  論文  参考訳（メタデータ） (2020-11-30T09:02:25Z)
• Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
  切り離しはシーン分析アルゴリズムの 重要な予備段階です ディープラーニングの最近の成功は、新しい世代の非仕様化技術が想定されている。 本稿では,自己教師型ベイズ解法を提案する。
  論文  参考訳（メタデータ） (2020-07-04T11:38:48Z)
• SAR Image Despeckling by Deep Neural Networks: from a pre-trained model to an end-to-end training strategy [8.097773654147105]
  畳み込みニューラルネットワーク(CNN)は、最近、SAR画像復元の最先端のパフォーマンスに達することが示されている。 CNNトレーニングには、多くのスペックルフリー/スペックル故障した画像のペアという、優れたトレーニングデータが必要です。 本稿では,実施したいスペックル除去作業に応じて,採用可能なさまざまな戦略を解析する。
  論文  参考訳（メタデータ） (2020-06-28T09:47:31Z)

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。