論文の概要: Physically-Consistent Generative Adversarial Networks for Coastal Flood
Visualization
- arxiv url: http://arxiv.org/abs/2104.04785v1
- Date: Sat, 10 Apr 2021 15:00:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 14:26:09.139094
- Title: Physically-Consistent Generative Adversarial Networks for Coastal Flood
Visualization
- Title(参考訳): 沿岸洪水の可視化のための物理的に一貫性のある生成逆ネットワーク
- Authors: Bj\"orn L\"utjens, Brandon Leshchinskiy, Christian Requena-Mesa,
Farrukh Chishtie, Natalia D\'iaz-Rodr\'iguez, Oc\'eane Boulais, Aruna
Sankaranarayanan, Aaron Pi\~na, Yarin Gal, Chedy Ra\"issi, Alexander Lavin,
Dava Newman
- Abstract要約: 合成視覚衛星画像の物理的整合性を確保するための,最初のディープラーニングパイプラインを提案する。
物理ベースのフラッドマップと比較して画像を評価することにより,提案手法が物理一貫性とフォトリアリズムの両方においてベースラインモデルを上回ることを見出した。
地球観測における画像と画像の翻訳を研究するために、25k以上の画像ペアのデータセットを公開する。
- 参考スコア(独自算出の注目度): 60.690929022840685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As climate change increases the intensity of natural disasters, society needs
better tools for adaptation. Floods, for example, are the most frequent natural
disaster, and better tools for flood risk communication could increase the
support for flood-resilient infrastructure development. Our work aims to enable
more visual communication of large-scale climate impacts via visualizing the
output of coastal flood models as satellite imagery. We propose the first deep
learning pipeline to ensure physical-consistency in synthetic visual satellite
imagery. We advanced a state-of-the-art GAN called pix2pixHD, such that it
produces imagery that is physically-consistent with the output of an
expert-validated storm surge model (NOAA SLOSH). By evaluating the imagery
relative to physics-based flood maps, we find that our proposed framework
outperforms baseline models in both physical-consistency and photorealism. We
envision our work to be the first step towards a global visualization of how
climate change shapes our landscape. Continuing on this path, we show that the
proposed pipeline generalizes to visualize arctic sea ice melt. We also publish
a dataset of over 25k labelled image-pairs to study image-to-image translation
in Earth observation.
- Abstract(参考訳): 気候変動が自然災害の激しさを増すにつれ、社会は適応のためのより良いツールを必要としている。
例えば、洪水は最も頻繁な自然災害であり、洪水リスクコミュニケーションのためのより良いツールが洪水耐性のあるインフラ開発のサポートを増加させる可能性がある。
本研究の目的は,衛星画像として沿岸洪水モデルの出力を可視化することにより,大規模気候影響のより視覚的なコミュニケーションを可能にすることである。
合成視覚衛星画像の物理的整合性を確保するための,最初のディープラーニングパイプラインを提案する。
我々は,Pix2pixHDと呼ばれる最先端のGANを開発し,NOAA SLOSH(NoAA SLOSH)の出力と物理的に一致した画像を生成する。
物理ベースのフラッドマップと比較して画像を評価することにより,提案手法が物理一貫性とフォトリアリズムの両方においてベースラインモデルを上回ることを見出した。
われわれの研究は、気候変動が私たちの風景をどう形作るかを世界規模で視覚化する第一歩になることを期待している。
この道を進むと,北極海氷の融解を可視化するパイプラインが一般化することを示す。
また,25k以上のラベル付き画像ペアのデータセットを公開し,地球観測における画像間変換の研究を行った。
関連論文リスト
- Transformer-based Flood Scene Segmentation for Developing Countries [1.7499351967216341]
洪水は大規模な自然災害であり、しばしば大量の死者、大規模な材料被害、経済的混乱を引き起こす。
早期警戒システム(EWS)は洪水を予測するための水位やその他の要因を常に評価し、被害を最小限に抑える。
FloodTransformerは、災害現場の空中画像から浸水した領域を検出し、セグメンテーションする最初のビジュアルトランスフォーマーベースのモデルである。
論文 参考訳(メタデータ) (2022-10-09T10:29:41Z) - Learning to restore images degraded by atmospheric turbulence using
uncertainty [93.72048616001064]
大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。
本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-07-07T17:24:52Z) - An Architecture for the detection of GAN-generated Flood Images with
Localization Capabilities [36.85653682256554]
本稿では,検出と局所化の両方を含むハイブリッドなディープラーニングアーキテクチャを提案する。
ローカライゼーションブランチを追加することで、ネットワークが最も関連性の高い画像領域に集中できることがわかった。
提案アーキテクチャの性能は,インターネットからダウンロードした原始洪水画像の2つのデータセットと,ClimateGANが生成したフェイク洪水画像の3つのデータセットで検証した。
論文 参考訳(メタデータ) (2022-05-14T14:23:44Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳(メタデータ) (2021-10-06T15:54:57Z) - Enhancing Photorealism Enhancement [83.88433283714461]
本稿では,畳み込みネットワークを用いた合成画像のリアリズム向上手法を提案する。
一般的に使用されるデータセットのシーンレイアウトの分布を分析し、重要な方法で異なることを見つけます。
近年のイメージ・ツー・イメージ翻訳法と比較して,安定性とリアリズムの大幅な向上が報告されている。
論文 参考訳(メタデータ) (2021-05-10T19:00:49Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳(メタデータ) (2020-10-16T02:15:34Z) - Improving Emergency Response during Hurricane Season using Computer
Vision [0.06882042556551608]
我々は,コンピュータビジョン(CV),内陸洪水予知,被害評価,データ可視化といった最新の技術を組み込んだ危機対応・管理のためのフレームワークを開発した。
我々のコンピュータビジョンモデルは、自然災害の前後で、宇宙と空中の画像を分析して、関連する特徴を検出する。
画像から水、道路、建物、植生などの特徴を識別するモデル群を設計した。
論文 参考訳(メタデータ) (2020-08-17T15:42:02Z) - Deep CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。
画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。
私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
論文 参考訳(メタデータ) (2020-03-27T21:45:41Z)
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。