論文の概要: Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional
Pixel Synthesis
- arxiv url: http://arxiv.org/abs/2106.11485v1
- Date: Tue, 22 Jun 2021 02:16:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 04:30:13.371195
- Title: Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional
Pixel Synthesis
- Title(参考訳): 条件付き画素合成による衛星画像の時空間超解像
- Authors: Yutong He, Dingjie Wang, Nicholas Lai, William Zhang, Chenlin Meng,
Marshall Burke, David B. Lobell, Stefano Ermon
- Abstract要約: 高精度な高解像度画像を生成するために,高解像度の高解像度画像を用いた条件付き画素合成モデルを提案する。
我々は,本モデルにおいて,オブジェクトカウントという重要なダウンストリームタスクにおいて,フォトリアリスティックなサンプル品質を実現し,競合するベースラインを上回っていることを示す。
- 参考スコア(独自算出の注目度): 66.50914391487747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-resolution satellite imagery has proven useful for a broad range of
tasks, including measurement of global human population, local economic
livelihoods, and biodiversity, among many others. Unfortunately,
high-resolution imagery is both infrequently collected and expensive to
purchase, making it hard to efficiently and effectively scale these downstream
tasks over both time and space. We propose a new conditional pixel synthesis
model that uses abundant, low-cost, low-resolution imagery to generate accurate
high-resolution imagery at locations and times in which it is unavailable. We
show that our model attains photo-realistic sample quality and outperforms
competing baselines on a key downstream task -- object counting -- particularly
in geographic locations where conditions on the ground are changing rapidly.
- Abstract(参考訳): 高解像度衛星画像は、世界人口の測定、地域経済の生活、生物多様性など、幅広いタスクに有用であることが証明されている。
残念なことに、高解像度画像は必ずしも収集されず、購入するコストも高いため、下流のタスクを時間と空間の両方で効率的かつ効果的にスケールすることは困難である。
そこで本研究では,高解像度の高解像度画像を生成するために,高解像度の高解像度画像を用いた条件付き画素合成モデルを提案する。
我々は,地表面の条件が急速に変化している地域において,本モデルが写真リアルなサンプルの品質を達成し,重要な下流タスク(オブジェクトカウント)において競合するベースラインを上回ることを示す。
関連論文リスト
- DiffusionSat: A Generative Foundation Model for Satellite Imagery [66.0062252900165]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳(メタデータ) (2023-12-06T16:53:17Z) - RSDiff: Remote Sensing Image Generation from Text Using Diffusion Model [1.0334138809056097]
本稿では,テキストのプロンプトに基づいて高解像度衛星画像を生成するための,革新的で軽量な手法を提案する。
提案手法は, 現実的な地理的特徴, 気象条件, 土地構造を持つ衛星画像の生成において, 既存のSoTAモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-09-03T09:34:49Z) - Boulders Identification on Small Bodies Under Varying Illumination
Conditions [0.0]
小天体の表面におけるボルダーの検出能力は、臨界操作中のナビゲーションやハザード検出といった視覚ベースの応用に有用である。
この課題は、不規則な形状の広範化、岩盤群の特徴、照明条件の急激な変動により困難である。
筆者らは,小体の表面に散らばる岩盤を頑健に検出し,セグメント化するための,データ駆動画像処理パイプラインを開発した。
論文 参考訳(メタデータ) (2022-10-28T17:22:46Z) - Efficient High-Resolution Deep Learning: A Survey [90.76576712433595]
スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。
このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。
ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。
文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
論文 参考訳(メタデータ) (2022-07-26T17:13:53Z) - Real-World Single Image Super-Resolution Under Rainy Condition [0.0]
本研究では,降雨条件下で現実の単一画像の超解像を行うための新しいアルゴリズムを提案する。
実験の結果,提案アルゴリズムは降雨の負の効果を低減させる画像超解像を行うことができることがわかった。
論文 参考訳(メタデータ) (2022-06-16T17:48:27Z) - Tracking Urbanization in Developing Regions with Remote Sensing
Spatial-Temporal Super-Resolution [82.50301442891602]
本稿では,高分解能画像と高分解能画像の時系列を併用したパイプラインを提案する。
提案手法は, 単一画像超解像を用いたベースラインと比較して, 大幅な改善を実現している。
論文 参考訳(メタデータ) (2022-04-04T17:21:20Z) - RSINet: Inpainting Remotely Sensed Images Using Triple GAN Framework [13.613245876782367]
本稿では,エッジ,色,テクスチャなどの画像の各側面に個別に焦点をあてる新しい塗装法を提案する。
個々のGANには、スペクトルと空間的特徴を明示的に抽出するアテンション機構も組み込まれている。
キャンバス上の2つのよく知られたリモートセンシングデータセット、Open Cities AIとEarthで、当社のモデルと過去の技術モデルの評価を行った。
論文 参考訳(メタデータ) (2022-02-12T05:19:37Z) - 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) - Efficient Poverty Mapping using Deep Reinforcement Learning [75.6332944247741]
高解像度衛星画像と機械学習は多くのサステナビリティ関連タスクで有用であることが証明されている。
高解像度画像によって得られる精度は、そのような画像が大規模に購入するのに非常にコストがかかるため、コストがかかる。
コストの高い高解像度画像の取得場所を動的に識別するために,自由な低解像度画像を用いる強化学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-07T18:30:57Z)
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。