論文の概要: Exploiting multi-temporal information for improved speckle reduction of
Sentinel-1 SAR images by deep learning
- arxiv url: http://arxiv.org/abs/2102.00682v1
- Date: Mon, 1 Feb 2021 07:48:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 15:48:59.642060
- Title: Exploiting multi-temporal information for improved speckle reduction of
Sentinel-1 SAR images by deep learning
- Title（参考訳）: 深層学習によるSentinel-1 SAR画像のスペックル低減のための複数時間情報公開
- Authors: Emanuele Dalsasso, In\`es Meraoumia, Lo\"ic Denis, Florence Tupin
- Abstract要約: 深層学習によるSAR振幅画像のスペックル低減効果は前例がない。
本稿では,時間的情報を深層ニューラルネットワークに統合し,スペックル抑制を実現するためのフレキシブルかつ効率的な手法を提案する。
- 参考スコア（独自算出の注目度）: 3.506018346865459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning approaches show unprecedented results for speckle reduction in
SAR amplitude images. The wide availability of multi-temporal stacks of SAR
images can improve even further the quality of denoising. In this paper, we
propose a flexible yet efficient way to integrate temporal information into a
deep neural network for speckle suppression. Archives provide access to long
time-series of SAR images, from which multi-temporal averages can be computed
with virtually no remaining speckle fluctuations. The proposed method combines
this multi-temporal average and the image at a given date in the form of a
ratio image and uses a state-of-the-art neural network to remove the speckle in
this ratio image. This simple strategy is shown to offer a noticeable
improvement compared to filtering the original image without knowledge of the
multi-temporal average.
- Abstract（参考訳）: 深層学習によるSAR振幅画像のスペックル低減効果は前例がない。
SAR画像の多時間スタックの広範な利用は、さらにデノナイジングの品質を向上させることができる。
本稿では,時間的情報を深部ニューラルネットワークに統合し,スペックル抑制を柔軟かつ効率的に行う方法を提案する。
アーカイブは、SAR画像の長い時系列へのアクセスを提供し、そこから複数の時間平均をほとんどスペックル変動を伴わずに計算することができる。
提案手法は,この多時間平均と特定の日付の画像を比画像の形で結合し,最新のニューラルネットワークを用いてこの比画像のスペックルを除去する。
この単純な戦略は、マルチテンポラル平均を知らずに元の画像をフィルタリングするよりも顕著な改善をもたらすことが示される。
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) - Multi-scale Restoration of Missing Data in Optical Time-series Images with Masked Spatial-Temporal Attention Network [2.230457109765141]
リモートセンシング画像に欠落した値を出力する方法は、補助情報を十分に活用していない。
MS2と呼ばれるディープラーニングベースのアプローチは、リモートセンシング画像の時系列再構成を提案する。
平均信号-信号-信号比0.40dB/1.17dBの改善により、最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2024-06-19T09:05:05Z) - AMSA-UNet: An Asymmetric Multiple Scales U-net Based on Self-attention for Deblurring [7.00986132499006]
asymmetric multiple scales U-net based on self-attention (AMSA-UNet) was proposed to improve the accuracy and compute complexity。
マルチスケールなU字型アーキテクチャを導入することで、ネットワークはグローバルレベルでぼやけた領域に集中でき、ローカルレベルで画像の詳細を回復することができる。
論文 参考訳（メタデータ） (2024-06-13T11:39:02Z) - Fast strategies for multi-temporal speckle reduction of Sentinel-1 GRD
images [3.5136650608171833]
本稿では,SAR2SARという単一画像の切り離しアルゴリズムを用いた2つの高速戦略をマルチテンポラリ・フレームワークで検討する。
1つはQueganフィルタに基づいており、SAR2SARによる局所反射率事前推定を置き換える。
2つ目は、SAR2SARを使用して、「スーパーイメージ」の形で多時間情報を符号化する比画像からスペックルを抑圧する。
論文 参考訳（メタデータ） (2022-07-22T14:38:37Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - SAR Image Despeckling Based on Convolutional Denoising Autoencoder [13.579420996461439]
SAR(Synthetic Aperture Radar)イメージングでは、画像解析において非特異性が非常に重要である。
本稿では,C-DAE(Convolutioal Denoising Autoencoder)を用いて,スペックルフリーなSAR画像の再構成を行う。
論文 参考訳（メタデータ） (2020-11-30T09:02:25Z) - 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) - BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。
提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-11T17:09:12Z)
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。