論文の概要: A new public Alsat-2B dataset for single-image super-resolution
- arxiv url: http://arxiv.org/abs/2103.12547v1
- Date: Sun, 21 Mar 2021 10:47:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 14:00:36.533503
- Title: A new public Alsat-2B dataset for single-image super-resolution
- Title（参考訳）: 単一画像超解像のための新しいパブリックAlsat-2Bデータセット
- Authors: Achraf Djerida, Khelifa Djerriri, Moussa Sofiane Karoui and Mohammed
El Amin larabi
- Abstract要約: 本稿では,低空間解像度画像(10m, 2.5m)と高空間解像度画像(10m, 2.5m)の新たなリモートセンシングデータセット(Alsat2B)を提案する。
パンシャープ化により高分解能画像を得る。
その結果,提案手法は有望であり,データセットの課題を強調していることがわかった。
- 参考スコア（独自算出の注目度）: 1.284647943889634
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Currently, when reliable training datasets are available, deep learning
methods dominate the proposed solutions for image super-resolution. However,
for remote sensing benchmarks, it is very expensive to obtain high spatial
resolution images. Most of the super-resolution methods use down-sampling
techniques to simulate low and high spatial resolution pairs and construct the
training samples. To solve this issue, the paper introduces a novel public
remote sensing dataset (Alsat2B) of low and high spatial resolution images (10m
and 2.5m respectively) for the single-image super-resolution task. The
high-resolution images are obtained through pan-sharpening. Besides, the
performance of some super-resolution methods on the dataset is assessed based
on common criteria. The obtained results reveal that the proposed scheme is
promising and highlight the challenges in the dataset which shows the need for
advanced methods to grasp the relationship between the low and high-resolution
patches.
- Abstract（参考訳）: 現在、信頼できるトレーニングデータセットが利用可能である場合には、画像超解のための提案されたソリューションをディープラーニングが支配している。
しかし、リモートセンシングベンチマークでは、高解像度画像を得るのは非常に高価である。
スーパーレゾリューションの手法のほとんどはダウンサンプリング技術を使用して、低解像度と高解像度のペアをシミュレートし、トレーニングサンプルを構築する。
そこで,本稿では,高解像度画像(10m,2.5m)と低解像度画像(10m,2.5m)の新規なリモートセンシングデータセット(Alsat2B)を提案する。
パンシャープ化により高分解能画像を得る。
さらに,データセット上での超解像法の性能を,共通基準に基づいて評価する。
その結果,提案手法は有望であり,低分解能パッチと高分解能パッチの関係を把握するための高度な手法の必要性を示すデータセットの課題を浮き彫りにした。
関連論文リスト
- Recurrent Multi-scale Transformer for High-Resolution Salient Object
Detection [68.65338791283298]
Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。
従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。
本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
論文 参考訳（メタデータ） (2023-08-07T17:49:04Z) - 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) - Any-resolution Training for High-resolution Image Synthesis [55.19874755679901]
生成モデルは、様々な大きさの自然画像であっても、一定の解像度で動作します。
すべてのピクセルが重要であり、そのネイティブ解像度で収集された可変サイズのイメージを持つデータセットを作成する、と我々は主張する。
ランダムなスケールでパッチをサンプリングし、可変出力解像度で新しいジェネレータを訓練するプロセスである。
論文 参考訳（メタデータ） (2022-04-14T17:59:31Z) - Single Image Internal Distribution Measurement Using Non-Local
Variational Autoencoder [11.985083962982909]
本稿では,非局所変分オートエンコーダ(textttNLVAE)という画像固有解を提案する。
textttNLVAEは,非局所領域からの非絡み合った情報を用いて高解像度画像を再構成する自己教師型戦略として導入された。
7つのベンチマークデータセットによる実験結果から,textttNLVAEモデルの有効性が示された。
論文 参考訳（メタデータ） (2022-04-02T18:43:55Z) - Resolution based Feature Distillation for Cross Resolution Person
Re-Identification [17.86505685442293]
人物の再識別(re-id)は、異なるカメラビューで同一人物の画像を取得することを目的としている。
解像度のミスマッチは、興味のある人とカメラの間の距離が異なるため起こる。
本稿では,複数の解像度の問題を克服するために,分解能に基づく特徴蒸留(RFD)アプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T11:07:59Z) - Dual-Camera Super-Resolution with Aligned Attention Modules [56.54073689003269]
デュアルカメラ・スーパーレゾリューション(DCSR)に着目したレファレンスベース・スーパーレゾリューション(RefSR)への新しいアプローチを提案する。
提案手法は,空間アライメント操作と標準パッチベースの特徴マッチングを一般化する。
実世界の画像とトレーニング画像の領域ギャップを埋めるために,自己監督型領域適応戦略を提案する。
論文 参考訳（メタデータ） (2021-09-03T07:17:31Z) - Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。
未経験データからの学習に基づく深度マップの強化について考察する。
論文 参考訳（メタデータ） (2021-05-25T16:19:16Z) - 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) - High Quality Remote Sensing Image Super-Resolution Using Deep Memory
Connected Network [21.977093907114217]
単一画像の超解像は、ターゲット検出や画像分類といった多くの用途において重要である。
本稿では,畳み込みニューラルネットワークによる高画質超解像画像の再構成手法として,DeepMemory Connected Network (DMCN)を提案する。
論文 参考訳（メタデータ） (2020-10-01T15:06:02Z) - ImagePairs: Realistic Super Resolution Dataset via Beam Splitter Camera
Rig [13.925480922578869]
実画像データセットを収集するための新しいデータ取得手法を提案する。
我々はビームスプリッターを用いて、低解像度カメラと高解像度カメラで同じシーンを撮影する。
これらのタスクに使用される現在の小規模データセットとは異なり、提案データセットは11,421対の低解像度高解像度画像を含んでいる。
論文 参考訳（メタデータ） (2020-04-18T03:06:41Z) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z)
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。