論文の概要: Full-resolution quality assessment for pansharpening

• arxiv url: http://arxiv.org/abs/2108.06144v1
• Date: Fri, 13 Aug 2021 09:35:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-16 17:51:05.000516
• Title: Full-resolution quality assessment for pansharpening
• Title（参考訳）: パンスハーペンのフルレゾリューション品質評価
• Authors: Giuseppe Scarpa and Matteo Ciotola
• Abstract要約: パンスハーペン法における信頼性の高い品質評価手法は,関連ソリューションの開発において重要である。 本稿では,スペクトル忠実度問題に対処可能なプロトコル,すなわち再投射プロトコルを導入する。 一方,パンシャーペン画像とパンクロマティックバンドの完全分解能における空間整合性の新たな指標が提案されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A reliable quality assessment procedure for pansharpening methods is of critical importance for the development of the related solutions. Unfortunately, the lack of ground-truths to be used as guidance for an objective evaluation has pushed the community to resort to either reference-based reduced-resolution indexes or to no-reference subjective quality indexes that can be applied on full-resolution datasets. In particular, the reference-based approach leverages on Wald's protocol, a resolution degradation process that allows one to synthesize data with related ground truth. Both solutions, however, present critical shortcomings that we aim to mitigate in this work by means of an alternative no-reference full-resolution framework. On one side we introduce a protocol, namely the reprojection protocol, which allows to handle the spectral fidelity problem. On the other side, a new index of the spatial consistency between the pansharpened image and the panchromatic band at full resolution is proposed. The experimental results show the effectiveness of the proposed approach which is confirmed also by visual inspection.
• Abstract（参考訳）: パンスハーペン法における信頼性の高い品質評価手法は,関連ソリューションの開発において重要である。 残念なことに、客観的な評価のためのガイダンスとして使われる基盤の欠如により、コミュニティは、参照ベースの解像度低下インデックスや、フルレゾリューションデータセットに適用可能な主観的品質指標の参照を頼らざるを得なくなった。 特に、参照ベースのアプローチは、関連した基底真理でデータを合成できる分解分解過程であるwaldのプロトコルを活用している。 しかし、どちらのソリューションも、代替のノン参照フルレゾリューションフレームワークによって、この研究を緩和しようとする重大な欠点を提示する。 一方、スペクトル忠実性問題に対処するためのプロトコル、すなわち再プロジェクションプロトコルを導入しました。 一方,パンシャーペン画像とパンクロマティックバンドの完全分解能における空間整合性の新たな指標が提案されている。 実験の結果,視覚検査で確認した提案手法の有効性が示された。

関連論文リスト

• Hyperspectral Pansharpening: Critical Review, Tools and Future Perspectives [23.833438162665715]
  高分解能パンクロマティックバンドと低分解能ハイパースペクトル画像とを融合させて、空間領域とスペクトル領域の両方で高分解能の画像を得る。 本稿では,新しい手法の迅速な開発と正確な評価のための包括的枠組みの欠如に対処する。
  論文  参考訳（メタデータ） (2024-07-01T15:10:50Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Text-guided Explorable Image Super-resolution [14.83045604603449]
  ゼロショットテキスト誘導超解像に対する2つのアプローチを提案する。 提案手法はテキストプロンプトによって提供される意味的意味に合致する多様な解をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-03-02T08:10:54Z)
• Revisiting Proposal-based Object Detection [59.97295544455179]
  提案手法により画像中の物体を検出するパイプラインを再検討する。 我々は提案と根拠的真理の交わりの領域に回帰する単純な問題を解決する。 私たちの再検討されたアプローチは、検出パイプラインの変更を最小限にして、既存のメソッドにプラグインすることができます。
  論文  参考訳（メタデータ） (2023-11-30T12:40:23Z)
• CCFace: Classification Consistency for Low-Resolution Face Recognition [12.129404936688752]
  TinyFaceやSCFaceのような現実の低解像度のベンチマークに適用した場合、ディープフェイス認識手法はパフォーマンスを著しく低下させる。 本稿では,学習した分類器を高分解能モデルから低分解能ネットワークへ変換する新しい分類整合性知識蒸留手法を提案する。 提案手法は,高分解能ベンチマークの性能を維持しながら,TinyFaceを3%改善した。
  論文  参考訳（メタデータ） (2023-08-18T01:24:52Z)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
  我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。 本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。 その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-03T18:03:44Z)
• HQDec: Self-Supervised Monocular Depth Estimation Based on a High-Quality Decoder [14.67433946077953]
  シーン深度を復元する高品質デコーダ(HQDec)を提案する。 コードとモデルはhrefhttps://github.com/fwucas/HQDecHQDec.comで公開される。
  論文  参考訳（メタデータ） (2023-05-30T03:03:11Z)
• Best-Effort Adaptation [62.00856290846247]
  本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。 これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。 本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
  論文  参考訳（メタデータ） (2023-05-10T00:09:07Z)
• Handling Image and Label Resolution Mismatch in Remote Sensing [10.009103959118931]
  オーバヘッド画像とグラウンドトルースラベルソースの分解ミスマッチの処理方法を示す。 本稿では,低解像度ラベルを用いて教師される手法を提案する。 本手法は, 領域集約, 逆学習, 自己教師付き事前学習を取り入れ, 詳細な教師付き予測を生成する。
  論文  参考訳（メタデータ） (2022-11-28T21:56:07Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)

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。