論文の概要: Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2007.02075v1
• Date: Sat, 4 Jul 2020 11:38:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:45:58.660448
• Title: Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks
• Title（参考訳）: Speckle2Void: Blind-Spot畳み込みニューラルネットワークを用いた深部自己スーパービジョンSARデスペックリング
• Authors: Andrea Bordone Molini, Diego Valsesia, Giulia Fracastoro, Enrico Magli
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.410981386006394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information extraction from synthetic aperture radar (SAR) images is heavily impaired by speckle noise, hence despeckling is a crucial preliminary step in scene analysis algorithms. The recent success of deep learning envisions a new generation of despeckling techniques that could outperform classical model-based methods. However, current deep learning approaches to despeckling require supervision for training, whereas clean SAR images are impossible to obtain. In the literature, this issue is tackled by resorting to either synthetically speckled optical images, which exhibit different properties with respect to true SAR images, or multi-temporal SAR images, which are difficult to acquire or fuse accurately. In this paper, inspired by recent works on blind-spot denoising networks, we propose a self-supervised Bayesian despeckling method. The proposed method is trained employing only noisy SAR images and can therefore learn features of real SAR images rather than synthetic data. Experiments show that the performance of the proposed approach is very close to the supervised training approach on synthetic data and superior on real data in both quantitative and visual assessments.
• Abstract（参考訳）: 合成開口レーダ(SAR)画像からの情報抽出はスペックルノイズにより大きな障害を受けており,シーン解析アルゴリズムにおける重要な予備段階である。 ディープラーニングの最近の成功は、古典的なモデルベースメソッドよりも優れる、新しい世代のデスペックリングテクニックを想定している。 しかし、現在の深層学習アプローチでは訓練の監督が必要であり、クリーンなSAR画像は入手できない。 文献では、実際のSAR画像に対して異なる特性を示す合成スペックル光学画像と、正確に取得や融合が難しい複数時間SAR画像とを併用することで、この問題に対処する。 本稿では,近年の盲点認知ネットワークの研究に触発されて,ベイジアン解法を提案する。 提案手法はノイズの多いsar画像のみを用いて学習し,合成データではなく実際のsar画像の特徴を学習できる。 実験により,提案手法の性能は合成データに対する教師付きトレーニングアプローチに非常に近いこと,定量的および視覚的評価において実データに優れていることが示された。

関連論文リスト

• 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)
• 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)
• Deep Learning Methods For Synthetic Aperture Radar Image Despeckling: An Overview Of Trends And Perspectives [45.87348004985991]
  このようなノイズを除去し、下流の画像処理タスクの精度を向上させるために、デスペクリングは重要なタスクである。 本稿では,sarデスペックリングに適用する深層学習手法に関する文献を調査し,教師ありアプローチと近年の自己教師ありアプローチの両方をカバーする。
  論文  参考訳（メタデータ） (2020-12-10T08:30:43Z)
• 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)
• SAR2SAR: a semi-supervised despeckling algorithm for SAR images [3.9490074068698]
  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。
  論文  参考訳（メタデータ） (2020-06-26T15:07:28Z)
• Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms [3.0448872422956432]
  スペックル削減アルゴリズムのトレーニングのための合成データを生成する標準的な方法を提案する。 この領域の研究を進めるためのユースケースを実証する。
  論文  参考訳（メタデータ） (2020-04-23T08:27:45Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)
• Deep CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
  画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。 画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。 私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
  論文  参考訳（メタデータ） (2020-03-27T21:45:41Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)
• Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
  ディープラーニング技術は、古典的なモデルに基づく非特定アルゴリズムよりも優れています。 本稿では,自己教師型ベイズ解法を提案する。 提案するネットワークの性能は,合成データの教師あり学習手法に非常に近いことを示し,実データ上での競争力を示す。
  論文  参考訳（メタデータ） (2020-01-15T12:21:12Z)

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。