Fugu-MT 論文翻訳(概要): Domain-Aware Unsupervised Hyperspectral Reconstruction for Aerial Image Dehazing

論文の概要: Domain-Aware Unsupervised Hyperspectral Reconstruction for Aerial Image Dehazing

arxiv url: http://arxiv.org/abs/2011.03677v1
Date: Sat, 7 Nov 2020 03:30:52 GMT
ステータス: 処理完了
システム内更新日: 2022-09-28 22:33:46.794808
Title: Domain-Aware Unsupervised Hyperspectral Reconstruction for Aerial Image Dehazing
Title（参考訳）: 航空画像復調のための領域認識型ハイパースペクトル再構成
Authors: Aditya Mehta, Harsh Sinha, Murari Mandal, Pratik Narang
Abstract要約: 空中画像におけるヘイズ除去のためのSkyGANを提案する。 SkyGANは、1)ドメイン対応のH2Hモジュール、2)条件付きGAN(cGAN)ベースのマルチキュー画像-画像変換モジュール(I2I)から構成される。
参考スコア（独自算出の注目度）: 16.190455993566864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Haze removal in aerial images is a challenging problem due to considerable variation in spatial details and varying contrast. Changes in particulate matter density often lead to degradation in visibility. Therefore, several approaches utilize multi-spectral data as auxiliary information for haze removal. In this paper, we propose SkyGAN for haze removal in aerial images. SkyGAN consists of 1) a domain-aware hazy-to-hyperspectral (H2H) module, and 2) a conditional GAN (cGAN) based multi-cue image-to-image translation module (I2I) for dehazing. The proposed H2H module reconstructs several visual bands from RGB images in an unsupervised manner, which overcomes the lack of hazy hyperspectral aerial image datasets. The module utilizes task supervision and domain adaptation in order to create a "hyperspectral catalyst" for image dehazing. The I2I module uses the hyperspectral catalyst along with a 12-channel multi-cue input and performs effective image dehazing by utilizing the entire visual spectrum. In addition, this work introduces a new dataset, called Hazy Aerial-Image (HAI) dataset, that contains more than 65,000 pairs of hazy and ground truth aerial images with realistic, non-homogeneous haze of varying density. The performance of SkyGAN is evaluated on the recent SateHaze1k dataset as well as the HAI dataset. We also present a comprehensive evaluation of HAI dataset with a representative set of state-of-the-art techniques in terms of PSNR and SSIM.
Abstract（参考訳）: 空中画像のヘイズ除去は、空間的詳細やコントラストの変化がかなり異なるため、難しい問題である。粒子状物質密度の変化は、しばしば可視性の低下を引き起こす。したがって,複数スペクトルデータを用いたヘズ除去補助情報の利用方法がいくつか提案されている。本稿では,空中画像におけるヘイズ除去のためのSkyGANを提案する。 SkyGANは 1)ドメイン認識型hazy-to-hyperspectral(h2h)モジュール、及び 2)デハージングのための条件付きGAN(cGAN)ベースのマルチキュー画像-画像変換モジュール(I2I)。提案するh2hモジュールは、rgb画像から複数の視覚帯域を教師なしの方法で再構成し、ヘージーな超スペクトル空中画像データセットの欠如を克服する。このモジュールはタスクの監督とドメイン適応を利用して、画像デハージングのための"ハイパースペクトル触媒"を作成する。 I2Iモジュールは12チャンネルのマルチキュー入力とともにハイパースペクトル触媒を使用し、視覚スペクトル全体を利用して効果的な画像デハジングを行う。さらに、hazy aerial-image (hai)データセットと呼ばれる新しいデータセットを導入し、65,000組以上のhazyとground truthの航空画像と、密度の異なる現実的な非均質なhazeを含む。 SkyGANのパフォーマンスは、最近のSateHaze1kデータセットとHAIデータセットで評価される。また,PSNRおよびSSIMの観点から,最先端技術の代表セットを用いたHAIデータセットの総合評価を行った。

関連論文リスト

LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset [14.141433473509826]
本稿では,大規模で高品質な実世界のデータセットLMHazeを紹介する。 LMHazeは、屋内および屋外の多様な環境で撮影された、ヘイズフリーとヘイズフリーの2つの画像で構成されている。そこで本研究では,Mambaをベースとした混合実験モデルを提案する。
論文参考訳（メタデータ） (2024-10-21T15:20:02Z)
Deep Multimodal Fusion for Semantic Segmentation of Remote Sensing Earth Observation Data [0.08192907805418582]
本稿では,セマンティックセグメンテーションのための後期融合深層学習モデル(LF-DLM)を提案する。 1つのブランチは、UNetFormerがキャプチャした空中画像の詳細なテクスチャと、ViT(Multi-Axis Vision Transformer)バックボーンを統合する。もう一方のブランチは、U-ViNet(U-TAE)を用いてSentinel-2衛星画像Max時系列から複雑な時間ダイナミクスをキャプチャする。
論文参考訳（メタデータ） (2024-10-01T07:50:37Z)
HazeSpace2M: A Dataset for Haze Aware Single Image Dehazing [26.97153700921866]
本研究では HazeSpace2M データセットを紹介した。これは Haze 型分類によるデハージングを強化するために設計された 200 万以上の画像の集合である。このデータセットを用いて, ヘイズ型分類手法を導入し, 特殊デハザーを用いてヘイズ画像の鮮明化を行う。本手法は, 実生活におけるヘイズ画像の鮮明さを向上させるために, 型別脱ヘイズを適用する前に, ヘイズタイプを分類する。
論文参考訳（メタデータ） (2024-09-25T23:47:25Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文参考訳（メタデータ） (2023-12-07T18:59:14Z)
Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文参考訳（メタデータ） (2023-06-14T09:01:50Z)
Aerial Diffusion: Text Guided Ground-to-Aerial View Translation from a Single Image using Diffusion Models [72.76182801289497]
そこで本研究では,テキストガイダンスを用いて1つの地上画像から空中映像を生成する新しい手法であるAerial Diffusionを提案する。地上ビューと空中ビューのドメインギャップに対応する2つの主な課題に対処する。航空拡散(Aerial Diffusion)は、地上から航空への翻訳を教師なしで行う最初のアプローチである。
論文参考訳（メタデータ） (2023-03-15T22:26:09Z)
A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文参考訳（メタデータ） (2022-06-13T19:14:06Z)
Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。 3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
論文参考訳（メタデータ） (2020-08-15T02:43:00Z)
NH-HAZE: An Image Dehazing Benchmark with Non-Homogeneous Hazy and Haze-Free Images [95.00583228823446]
NH-HAZEは非同質な現実的データセットであり、実写のヘイズフリー画像とそれに対応するヘイズフリー画像のペアである。本研究は、NH-HAZEデータセットを用いて評価した、最先端の単一画像デハージング手法の客観的評価を示す。
論文参考訳（メタデータ） (2020-05-07T15:50:37Z)

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。