論文の概要: Super-Resolving Beyond Satellite Hardware Using Realistically Degraded Images

• arxiv url: http://arxiv.org/abs/2103.06270v1
• Date: Wed, 10 Mar 2021 00:20:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 06:07:48.704707
• Title: Super-Resolving Beyond Satellite Hardware Using Realistically Degraded Images
• Title（参考訳）: 現実的劣化画像を用いた超解像超解像
• Authors: Jack White, Alex Codoreanu, Ignacio Zuleta, Colm Lynch, Giovanni Marchisio, Stephen Petrie, Alan R. Duffy
• Abstract要約: 現実のリモートセンシングペイロードにおける深部SRの利用可能性について,現実的に劣化した衛星画像の再構築におけるSR性能を評価することにより検証する。 本研究では, 強調深度超分解能ネットワーク(EDSR)と呼ばれる最先端のSR技術により, 地上サンプリング距離の低い画像の符号化画素データを復元できることを実証した。
• 参考スコア（独自算出の注目度）: 0.23090185577016442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern deep Super-Resolution (SR) networks have established themselves as valuable techniques in image reconstruction and enhancement. However, these networks are normally trained and tested on benchmark image data that lacks the typical image degrading noise present in real images. In this paper, we test the feasibility of using deep SR in real remote sensing payloads by assessing SR performance in reconstructing realistically degraded satellite images. We demonstrate that a state-of-the-art SR technique called Enhanced Deep Super-Resolution Network (EDSR), without domain specific pre-training, can recover encoded pixel data on images with poor ground sampling distance, provided the ground resolved distance is sufficient. However, this recovery varies amongst selected geographical types. Our results indicate that custom training has potential to further improve reconstruction of overhead imagery, and that new satellite hardware should prioritise optical performance over minimising pixel size as deep SR can overcome a lack of the latter but not the former.
• Abstract（参考訳）: 現代の深層超解法(SR)ネットワークは、画像再構成と拡張において貴重な技術として確立されている。 しかし、これらのネットワークは通常、実際の画像に存在する典型的な画像劣化ノイズを欠いたベンチマーク画像データに基づいて訓練およびテストされます。 本稿では、現実的に劣化した衛星画像の再構成におけるSR性能の評価により、実リモートセンシングペイロードにおける深部SRの使用の可能性を検証する。 本研究では, 深層超分解能ネットワーク(EDSR)と呼ばれる最先端のSR技術を用いて, 領域特異的な事前学習なしに, 地上サンプリング距離の低い画像の符号化画素データを復元できることを実証した。 しかし、この回復は選択された地理的タイプによって異なる。 その結果、カスタムトレーニングは頭上の画像の再構築をさらに改善する可能性があり、新しい衛星ハードウェアは、深層SRが後者の欠如を克服することができるが前者ではないため、ピクセルサイズを最小化するよりも光学性能を優先すべきである。

関連論文リスト

• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• Structure-Preserving Image Super-Resolution [94.16949589128296]
  単一画像超解像(SISR)の構造 近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。 しかし、回収された画像にはいまだ望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2021-09-26T08:48:27Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Unsupervised Remote Sensing Super-Resolution via Migration Image Prior [12.728430583409997]
  低解像度・高分解能の画像ペアを使わずに超解像タスクを実現する新しい非監視学習フレームワーク「MIP」を提案する。 本論文では,MIPが定量的および定性的に最先端の手法よりも有意な改善を達成できることを示した。
  論文  参考訳（メタデータ） (2021-05-08T03:29:35Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• Deep Cyclic Generative Adversarial Residual Convolutional Networks for Real Image Super-Resolution [20.537597542144916]
  我々は、LRとHRデータ分布間の領域整合性を維持するために、深い循環ネットワーク構造を考える。 本稿では,LRからHRドメインへの変換のためのGAN(Generative Adversarial Network)フレームワークを用いた学習により,超解像残留周期生成逆ネットワーク(SRResCycGAN)を提案する。
  論文  参考訳（メタデータ） (2020-09-07T11:11:18Z)
• Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of Satellite Images [54.44842669325082]
  本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。 低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。 本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
  論文  参考訳（メタデータ） (2020-08-03T13:55:39Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。