論文の概要: Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness
and Sparsity-Regularized Tensor Optimization
- arxiv url: http://arxiv.org/abs/2008.04529v2
- Date: Tue, 1 Sep 2020 04:28:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 12:10:58.984007
- Title: Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness
and Sparsity-Regularized Tensor Optimization
- Title（参考訳）: 時空間平滑化とスカラー化テンソル最適化によるリモートセンシング画像の厚さ雲除去
- Authors: Chenxi Duan, Jun Pan, Rui Li
- Abstract要約: リモートセンシング画像では、雲の影に付随する厚い雲の存在が確率の高い事象である。
時間的滑らか度と空間規則化テンソル最適化に基づくリモートセンシング画像の高密度クラウド除去手法を提案する。
- 参考スコア（独自算出の注目度）: 3.65794756599491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In remote sensing images, the presence of thick cloud accompanying cloud
shadow is a high probability event, which can affect the quality of subsequent
processing and limit the scenarios of application. Hence, removing the thick
cloud and cloud shadow as well as recovering the cloud-contaminated pixels is
indispensable to make good use of remote sensing images. In this paper, a novel
thick cloud removal method for remote sensing images based on temporal
smoothness and sparsity-regularized tensor optimization (TSSTO) is proposed.
The basic idea of TSSTO is that the thick cloud and cloud shadow are not only
sparse but also smooth along the horizontal and vertical direction in images
while the clean images are smooth along the temporal direction between images.
Therefore, the sparsity norm is used to boost the sparsity of the cloud and
cloud shadow, and unidirectional total variation (UTV) regularizers are applied
to ensure the unidirectional smoothness. This paper utilizes alternation
direction method of multipliers to solve the presented model and generate the
cloud and cloud shadow element as well as the clean element. The cloud and
cloud shadow element is purified to get the cloud area and cloud shadow area.
Then, the clean area of the original cloud-contaminated images is replaced to
the corresponding area of the clean element. Finally, the reference image is
selected to reconstruct details of the cloud area and cloud shadow area using
the information cloning method. A series of experiments are conducted both on
simulated and real cloud-contaminated images from different sensors and with
different resolutions, and the results demonstrate the potential of the
proposed TSSTO method for removing cloud and cloud shadow from both qualitative
and quantitative viewpoints.
- Abstract（参考訳）: リモートセンシング画像では、クラウドシャドウに付随する厚い雲の存在は高い確率イベントであり、その後の処理の品質に影響を与え、アプリケーションのシナリオを制限することができる。
したがって、厚い雲と雲の影を除去し、雲に汚染されたピクセルを回収することが、リモートセンシング画像の有効利用に不可欠である。
本稿では,sparsity-regularized tensor optimization (tssto) と時間的平滑さに基づくリモートセンシング画像に対する新しい厚い雲除去法を提案する。
TSSTOの基本的な考え方は、厚い雲と雲の影は、画像の水平方向と垂直方向に沿って滑らかであり、クリーンな画像は画像間の時間方向に沿って滑らかであるということである。
したがって、雲と雲の影のスパーシティを高めるためにスパーシティノルムを用い、一方向全変動調整器(utv)を適用して一方向の滑らか性を確保する。
本稿では,乗算器の交互方向法を用いて,提示したモデルを解き,雲影要素と雲影要素と清浄要素を生成する。
雲と雲の影要素は、雲の領域と雲の影領域を得るために浄化される。
そして、元の雲汚染画像のクリーン領域をクリーン要素の対応する領域に置換する。
最後に、情報クローニング法を用いて、参照画像を選択して、雲領域及び雲影領域の詳細を再構成する。
異なるセンサからのクラウド汚染画像と、異なる解像度の画像の両方について実験を行い、質的および定量的な視点からクラウドシャドウとクラウドシャドウを除去するためのtsto法の可能性を示した。
関連論文リスト
- Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。
ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。
そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-12T16:12:51Z) - GPN: Generative Point-based NeRF [0.65268245109828]
我々は,部分的な雲を復元し,修復するために生成点ベースのNeRF (GPN) を提案する。
補修された点雲は、高空間分解能で撮像された画像との多視点整合を達成することができる。
論文 参考訳（メタデータ） (2024-04-12T08:14:17Z) - Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。
制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。
これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
論文 参考訳（メタデータ） (2024-04-01T13:38:16Z) - IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
雲除去のための反復拡散過程(IDF-CR)を提案する。
IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。
潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
論文 参考訳（メタデータ） (2024-03-18T15:23:48Z) - UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical
Satellite Time Series [19.32220113046804]
本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。
予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
論文 参考訳（メタデータ） (2023-04-11T19:27:18Z) - TriVol: Point Cloud Rendering via Triple Volumes [57.305748806545026]
我々は,高密度かつ軽量な3D表現であるTriVolをNeRFと組み合わせて,点雲から写実的な画像を描画する。
我々のフレームワークは、微調整なしでシーン/オブジェクトのカテゴリを描画できる優れた一般化能力を持っている。
論文 参考訳（メタデータ） (2023-03-29T06:34:12Z) - Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。
学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
論文 参考訳（メタデータ） (2022-12-31T08:58:39Z) - Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。
我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。
提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
論文 参考訳（メタデータ） (2022-10-27T01:25:57Z) - Multi-Head Linear Attention Generative Adversarial Network for Thin
Cloud Removal [5.753245638190626]
雲の薄い除去はリモートセンシング画像の利用を高めるために欠かせない手順である。
薄層雲除去のためのマルチヘッド線形注意生成ネットワーク(MLAGAN)を提案する。
6つのディープラーニングベースのシンクラウド除去ベンチマークと比較して、RICE1およびRICE2データセットの実験結果は、提案されたフレームワークMLA-GANがシンクラウド除去に優勢であることを示しています。
論文 参考訳（メタデータ） (2020-12-20T11:50:54Z) - Generating the Cloud Motion Winds Field from Satellite Cloud Imagery
Using Deep Learning Approach [1.8655840060559172]
データ駆動型ディープラーニングアプローチに基づくクラウドモーションウィンドアルゴリズムについて検討する。
深層学習モデルを用いて、運動特徴表現を自動的に学習し、雲の風の場を直接出力する。
我々はまた、従来のアルゴリズムでは達成できない固定領域における雲の動きの風場を予測するために、単一の雲画像を使用することも試みている。
論文 参考訳（メタデータ） (2020-10-03T05:40:36Z) - Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via
Filtered Jaccard Loss Function and Parametric Augmentation [8.37609145576126]
現在の地理空間画像における雲と影の識別法は,特に雪と風の存在下では,それほど正確ではない。
本論文では,ランドサット8号画像における雲・陰影検出のためのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-23T19:13:00Z)
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。