論文の概要: Deep Gradient Projection Networks for Pan-sharpening

• arxiv url: http://arxiv.org/abs/2103.04584v1
• Date: Mon, 8 Mar 2021 07:51:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 22:37:38.502211
• Title: Deep Gradient Projection Networks for Pan-sharpening
• Title（参考訳）: パンスハーピングのための深度グラデーションネットワーク
• Authors: Shuang Xu and Jiangshe Zhang and Zixiang Zhao and Kai Sun and Junmin Liu and Chunxia Zhang
• Abstract要約: 本稿では,モデルに基づくディープパンシャーピング手法を提案する。 2つのブロックを積み重ねることで、グラデーションプロジェクションベースのパンスハーピングニューラルネットワークと呼ばれる新しいネットワークが構築される。 さまざまな種類の衛星データセットの実験結果は、新しいネットワークが視覚的および定量的に最先端の方法よりも優れていることを示しています。
• 参考スコア（独自算出の注目度）: 20.929492740317915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pan-sharpening is an important technique for remote sensing imaging systems to obtain high resolution multispectral images. Recently, deep learning has become the most popular tool for pan-sharpening. This paper develops a model-based deep pan-sharpening approach. Specifically, two optimization problems regularized by the deep prior are formulated, and they are separately responsible for the generative models for panchromatic images and low resolution multispectral images. Then, the two problems are solved by a gradient projection algorithm, and the iterative steps are generalized into two network blocks. By alternatively stacking the two blocks, a novel network, called gradient projection based pan-sharpening neural network, is constructed. The experimental results on different kinds of satellite datasets demonstrate that the new network outperforms state-of-the-art methods both visually and quantitatively. The codes are available at https://github.com/xsxjtu/GPPNN.
• Abstract（参考訳）: Pan-sharpeningは、高分解能マルチスペクトル画像を得るためにリモートセンシングイメージングシステムにとって重要な技術です。 最近、深層学習はパンシャーペンの最も一般的なツールとなっています。 本稿では,モデルに基づくディープパンシャーピング手法を提案する。 具体的には,2つの最適化問題を事前に定式化し,パンクロマティック画像の生成モデルと低分解能マルチスペクトル画像に別々に責任を負う。 次に、2つの問題を勾配投影アルゴリズムにより解き、反復ステップを2つのネットワークブロックに一般化する。 代わりに2ブロックを積み重ねることで、勾配投射に基づくパンシャーピングニューラルネットワークと呼ばれる新しいネットワークが構築される。 さまざまな種類の衛星データセットの実験結果は、新しいネットワークが視覚的および定量的に最先端の方法よりも優れていることを示しています。 コードはhttps://github.com/xsxjtu/GPPNNで入手できる。

関連論文リスト

• Band-wise Hyperspectral Image Pansharpening using CNN Model Propagation [4.246657212475299]
  ハイパースペクトルパンシャーピングのための新しい深層学習法を提案する。 バンドワイド適応方式でネストされた単純な単一バンドアン教師付きパンシャーペニングモデルを継承する。 提案手法は,従来の学習基準法と深層学習基準法の両方より優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-11-11T08:53:54Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Deep dual stream residual network with contextual attention for pansharpening of remote sensing images [2.210012031884757]
  本稿では,新しい2重注意型2ストリームネットワークを提案する。 まず、両方の画像に対して2つの別々のネットワークを使って特徴抽出し、抽出した特徴を再分類するアテンション機構を備えたエンコーダから始める。 次に、コンパクトな表現を形成する特徴を画像再構成ネットワークに融合してパンシャーペン画像を生成する。
  論文  参考訳（メタデータ） (2022-07-25T09:28:11Z)
• PIE-Net: Photometric Invariant Edge Guided Network for Intrinsic Image Decomposition [17.008724191799313]
  固有の画像分解は、画像から画像形成成分(反射および陰影)を回収する過程である。 本稿では,固有画像分解のためのエッジ駆動ハイブリッドCNN手法を提案する。
  論文  参考訳（メタデータ） (2022-03-30T20:46:15Z)
• Proximal PanNet: A Model-Based Deep Network for Pansharpening [11.695233311615498]
  本稿では,モデルに基づく手法と深層学習手法を組み合わせることで,パンシャーピングのための新しいディープネットワークを提案する。 畳み込みニューラルネットワークを用いて近位演算子を学習することにより、反復アルゴリズムをPanNetと呼ばれるディープネットワークに展開する。 いくつかのベンチマークデータセットの実験結果から、我々のネットワークは定量的にも定性的にも他の先進的な手法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-02-12T15:49:13Z)
• VolumeFusion: Deep Depth Fusion for 3D Scene Reconstruction [71.83308989022635]
  本稿では、ディープニューラルネットワークを用いた従来の2段階フレームワークの複製により、解釈可能性と結果の精度が向上することを提唱する。 ネットワークは,1)深部MVS技術を用いた局所深度マップの局所計算,2)深部マップと画像の特徴を融合させて単一のTSDFボリュームを構築する。 異なる視点から取得した画像間のマッチング性能を改善するために,PosedConvと呼ばれる回転不変な3D畳み込みカーネルを導入する。
  論文  参考訳（メタデータ） (2021-08-19T11:33:58Z)
• Pan-sharpening via High-pass Modification Convolutional Neural Network [39.295436779920465]
  本稿では,ハイパス修正ブロックに基づく新しいパンシャーピング畳み込みニューラルネットワークを提案する。 提案するブロックは、高域情報を学習し、マルチスペクトル画像の各帯域における空間情報を強化する。 実験により,提案手法の性能を最先端のパンシャーピング法と比較した。
  論文  参考訳（メタデータ） (2021-05-24T23:39:04Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• Learned Multi-View Texture Super-Resolution [76.82725815863711]
  仮想3Dオブジェクトの高解像度テクスチャマップを,そのオブジェクトの低解像度画像の集合から作成できる超高解像度手法を提案する。 本アーキテクチャは, (i) 重なり合うビューの冗長性に基づくマルチビュー超解像の概念と, (ii) 高分解能画像構造の学習先行に基づくシングルビュー超解像の概念を統一する。
  論文  参考訳（メタデータ） (2020-01-14T13:49:22Z)

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。