Fugu-MT 論文翻訳(概要): AFN: Attentional Feedback Network based 3D Terrain Super-Resolution

論文の概要: AFN: Attentional Feedback Network based 3D Terrain Super-Resolution

arxiv url: http://arxiv.org/abs/2010.01626v1
Date: Sun, 4 Oct 2020 16:51:39 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 04:08:08.402427
Title: AFN: Attentional Feedback Network based 3D Terrain Super-Resolution
Title（参考訳）: AFN: 注意フィードバックネットワークに基づく3次元領域超解法
Authors: Ashish Kubade, Diptiben Patel, Avinash Sharma, K. S. Rajan
Abstract要約: 低分解能ディジタル標高モデル(LRDEM)の高分解能化を目的とした,完全畳み込みニューラルネットワークに基づく新しい超解像アーキテクチャを提案する。我々は、LRDEMと空中画像の情報を選択的に融合させ、高周波の特徴を増強し、現実的に地形を創出する「注意フィードバックネットワーク(AFN)」と呼ばれる注意ベースのフィードバック機構を用いて、LRDEMの超解像を行う。
参考スコア（独自算出の注目度）: 5.349223987137843
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Terrain, representing features of an earth surface, plays a crucial role in many applications such as simulations, route planning, analysis of surface dynamics, computer graphics-based games, entertainment, films, to name a few. With recent advancements in digital technology, these applications demand the presence of high-resolution details in the terrain. In this paper, we propose a novel fully convolutional neural network-based super-resolution architecture to increase the resolution of low-resolution Digital Elevation Model (LRDEM) with the help of information extracted from the corresponding aerial image as a complementary modality. We perform the super-resolution of LRDEM using an attention-based feedback mechanism named 'Attentional Feedback Network' (AFN), which selectively fuses the information from LRDEM and aerial image to enhance and infuse the high-frequency features and to produce the terrain realistically. We compare the proposed architecture with existing state-of-the-art DEM super-resolution methods and show that the proposed architecture outperforms enhancing the resolution of input LRDEM accurately and in a realistic manner.
Abstract（参考訳）: 地球表面の特徴を表すTerrainは、シミュレーション、ルート計画、表面力学の分析、コンピュータグラフィックスベースのゲーム、エンターテイメント、映画など、多くのアプリケーションにおいて重要な役割を果たしている。近年のデジタル技術の発展に伴い、これらのアプリケーションは地形に高解像度の細部を必要とする。本稿では,低解像度デジタル標高モデル(LRDEM)の高分解能化を目的とした,完全畳み込み型ニューラルネットワークを用いた超解像アーキテクチャを提案する。我々は、LRDEMと空中画像の情報を選択的に融合させ、高周波の特徴を増強し、現実的に地形を創出する「注意フィードバックネットワーク(AFN)」と呼ばれる注意ベースのフィードバック機構を用いて、LRDEMの超解像を行う。本稿では,提案アーキテクチャを既存のDEM超解像法と比較し,提案アーキテクチャが入力RDEMの分解能を精度良く現実的に向上することを示す。

関連論文リスト

Diffusion Model Based Visual Compensation Guidance and Visual Difference Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。 2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文参考訳（メタデータ） (2024-02-22T09:39:46Z)
SIRAN: Sinkhorn Distance Regularized Adversarial Network for DEM Super-resolution using Discriminative Spatial Self-attention [5.178465447325005]
DEM(Digital Elevation Model)は、リモートセンシング領域において、表面標高情報に関連するさまざまなアプリケーションを分析し、探索するための重要な側面である。本研究では,高分解能マルチスペクトル(MX)衛星画像を用いた高分解能DEMの生成について検討する。本稿では,Sinkhorn 距離を従来の GAN に最適化することで,対角学習の安定性を向上する目的関数を提案する。
論文参考訳（メタデータ） (2023-11-27T12:03:22Z)
Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
論文参考訳（メタデータ） (2023-09-19T05:44:00Z)
ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
論文参考訳（メタデータ） (2023-09-06T16:59:36Z)
Exploiting Digital Surface Models for Inferring Super-Resolution for Remotely Sensed Images [2.3204178451683264]
本稿では,SRRモデルにリアルなリモートセンシング画像の出力を強制する新しい手法を提案する。画像の通常のデジタル表面モデル(nDSM)から推定されるピクセルレベルの情報を知覚的損失として特徴空間の類似性に頼る代わりに、モデルが考慮する。視覚検査に基づいて、推定された超解像画像は、特に優れた品質を示す。
論文参考訳（メタデータ） (2022-05-09T06:02:50Z)
High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-04T03:28:33Z)
Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文参考訳（メタデータ） (2021-01-26T18:57:21Z)
Multi-image Super Resolution of Remotely Sensed Images using Residual Feature Attention Deep Neural Networks [1.3764085113103222]
本研究は,マルチイメージ超解像課題に効果的に取り組む新しい残像注意モデル(RAMS)を提案する。本研究では,3次元畳み込みによる視覚特徴の注意機構を導入し,意識的なデータ融合と情報抽出を実現する。我々の表現学習ネットワークは、冗長な低周波信号を流すためにネストした残差接続を広範囲に利用している。
論文参考訳（メタデータ） (2020-07-06T22:54:02Z)
Feedback Neural Network based Super-resolution of DEM for generating high fidelity features [4.722870664660785]
低分解能DEMに繰り返し高頻度の詳細を追加することを学習する新しいニューラルネットワークアーキテクチャを提案する。我々のネットワークDSRFBは、4つの異なるデータセットにわたるRMSEの0.59から1.27を達成する。
論文参考訳（メタデータ） (2020-07-03T21:10:19Z)
D-SRGAN: DEM Super-Resolution with Generative Adversarial Networks [0.0]
LIDARデータはDEM(Digital Elevation Models)の主要な情報源として利用されている。 DEMは道路抽出、水文モデリング、洪水マッピング、表面分析など様々な用途で使用されている。ディープラーニング技術は、高解像度データセットからの学習機能のパフォーマンスが研究者にとって魅力的なものになっている。
論文参考訳（メタデータ） (2020-04-09T19:57:49Z)
Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。