論文の概要: Rethinking CNN-Based Pansharpening: Guided Colorization of Panchromatic Images via GANs

• arxiv url: http://arxiv.org/abs/2006.16644v1
• Date: Tue, 30 Jun 2020 10:12:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 05:29:47.008241
• Title: Rethinking CNN-Based Pansharpening: Guided Colorization of Panchromatic Images via GANs
• Title（参考訳）: CNNに基づくパンシャーペン再考:GANによるパンクロマティック画像のガイドカラー化
• Authors: Furkan Ozcelik, Ugur Alganci, Elif Sertel, Gozde Unal
• Abstract要約: 近年、CNNベースのアプローチは衛星画像のパンスハーペン化に有望な成果を示している。 そこで我々は,パンシャーペンを着色問題として扱う自己教師型学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNN)-based approaches have shown promising results in pansharpening of satellite images in recent years. However, they still exhibit limitations in producing high-quality pansharpening outputs. To that end, we propose a new self-supervised learning framework, where we treat pansharpening as a colorization problem, which brings an entirely novel perspective and solution to the problem compared to existing methods that base their solution solely on producing a super-resolution version of the multispectral image. Whereas CNN-based methods provide a reduced resolution panchromatic image as input to their model along with reduced resolution multispectral images, hence learn to increase their resolution together, we instead provide the grayscale transformed multispectral image as input, and train our model to learn the colorization of the grayscale input. We further address the fixed downscale ratio assumption during training, which does not generalize well to the full-resolution scenario. We introduce a noise injection into the training by randomly varying the downsampling ratios. Those two critical changes, along with the addition of adversarial training in the proposed PanColorization Generative Adversarial Networks (PanColorGAN) framework, help overcome the spatial detail loss and blur problems that are observed in CNN-based pansharpening. The proposed approach outperforms the previous CNN-based and traditional methods as demonstrated in our experiments.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)に基づくアプローチは,近年,衛星画像のパンスハーペン化の有望な成果を示している。 しかし、高品質のパンシャーピング生産の限界がまだ示されている。 そこで本研究では,パンシャーペンをカラー化問題として扱う自己教師型学習フレームワークを提案する。このフレームワークは,マルチスペクトル画像の超高解像度バージョンのみをベースとした既存の手法と比較して,全く新しい視点と解決策をもたらす。 CNNをベースとした手法では,解像度の低下したマルチスペクトル画像とともにモデルへの入力として解像度の低下したパンクロマティック画像を提供するが,その代わりにグレースケール変換されたマルチスペクトル画像を入力として提供し,グレースケール入力のカラー化を学ぶようにモデルを訓練する。 さらに、トレーニング中の固定ダウンスケール比の仮定に対処するが、これはフルレゾリューションのシナリオによく当てはまらない。 我々は,ダウンサンプリング比をランダムに変化させることで,トレーニングにノイズ注入を導入する。 これら2つの重要な変更と、提案されたpancolorization generative adversarial networks(pancolorgan)フレームワークへの敵意訓練の追加は、cnnベースのpansharpeningで見られる空間的詳細損失とぼやけ問題を克服するのに役立つ。 提案手法は,これまでのcnnおよび従来の手法よりも優れていた。

関連論文リスト

• Band-wise Hyperspectral Image Pansharpening using CNN Model Propagation [4.246657212475299]
  ハイパースペクトルパンシャーピングのための新しい深層学習法を提案する。 バンドワイド適応方式でネストされた単純な単一バンドアン教師付きパンシャーペニングモデルを継承する。 提案手法は,従来の学習基準法と深層学習基準法の両方より優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-11-11T08:53:54Z)
• GRIG: Few-Shot Generative Residual Image Inpainting [27.252855062283825]
  そこで本研究では,高画質な残像塗装法を新たに提案する。 中心となる考え方は、特徴抽出のために畳み込みニューラルネットワーク(CNN)を組み込んだ反復的残留推論手法を提案することである。 また, 忠実なテクスチャと詳細な外観を創出するための, フォージェリーパッチ対逆訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-04-24T12:19:06Z)
• Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
  畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。 トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。 我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-18T18:59:10Z)
• Deep Gradient Projection Networks for Pan-sharpening [20.929492740317915]
  本稿では,モデルに基づくディープパンシャーピング手法を提案する。 2つのブロックを積み重ねることで、グラデーションプロジェクションベースのパンスハーピングニューラルネットワークと呼ばれる新しいネットワークが構築される。 さまざまな種類の衛星データセットの実験結果は、新しいネットワークが視覚的および定量的に最先端の方法よりも優れていることを示しています。
  論文  参考訳（メタデータ） (2021-03-08T07:51:58Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
  ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。 時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。 本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
  論文  参考訳（メタデータ） (2021-01-26T13:00:46Z)
• Encoding Robustness to Image Style via Adversarial Feature Perturbations [72.81911076841408]
  我々は、画像画素ではなく特徴統計を直接摂動することで、頑健なモデルを生成することで、敵の訓練に適応する。 提案手法であるAdvBN(Adversarial Batch Normalization)は,トレーニング中に最悪の機能摂動を発生させる単一ネットワーク層である。
  論文  参考訳（メタデータ） (2020-09-18T17:52:34Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Super-resolution of multispectral satellite images using convolutional neural networks [0.0]
  本稿では,高分解能マルチスペクトルと高分解能パンシャーペン画像タイルのペアを用いた最先端CNNの訓練手法を提案する。 得られた品質指標は,処理した画像の情報内容を改善する方法を示している。
  論文  参考訳（メタデータ） (2020-02-03T07:06:36Z)
• Supervised and Unsupervised Learning of Parameterized Color Enhancement [112.88623543850224]
  我々は、教師なし学習と教師なし学習の両方を用いて、画像翻訳タスクとしての色強調の問題に取り組む。 我々は,MIT-Adobe FiveKベンチマークにおいて,教師付き(ペアデータ)と教師なし(ペアデータ)の2つの画像強調手法と比較して,最先端の結果が得られた。 20世紀初頭の写真や暗黒ビデオフレームに応用することで,本手法の一般化能力を示す。
  論文  参考訳（メタデータ） (2019-12-30T13:57:06Z)

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。