論文の概要: LDP-Net: An Unsupervised Pansharpening Network Based on Learnable Degradation Processes

• arxiv url: http://arxiv.org/abs/2111.12483v1
• Date: Wed, 24 Nov 2021 13:21:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 16:11:42.455924
• Title: LDP-Net: An Unsupervised Pansharpening Network Based on Learnable Degradation Processes
• Title（参考訳）: LDP-Net:学習可能な劣化過程に基づく教師なしパンスハーペンネットワーク
• Authors: Jiahui Ni, Zhimin Shao, Zhongzhou Zhang, Mingzheng Hou, Jiliu Zhou, Leyuan Fang, Yi Zhang
• Abstract要約: LDP-Netと呼ばれる学習可能な劣化過程に基づく新しい教師なしネットワークを提案する。 ブルーリングブロックとグレーニングブロックは、それぞれ対応する劣化過程を学習するように設計されている。 Worldview2 および Worldview3 画像を用いた実験により,提案した LDP-Net は,HRMS サンプルを使わずに PAN と LRMS 画像を効果的に融合できることを示した。
• 参考スコア（独自算出の注目度）: 18.139096037746672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pansharpening in remote sensing image aims at acquiring a high-resolution multispectral (HRMS) image directly by fusing a low-resolution multispectral (LRMS) image with a panchromatic (PAN) image. The main concern is how to effectively combine the rich spectral information of LRMS image with the abundant spatial information of PAN image. Recently, many methods based on deep learning have been proposed for the pansharpening task. However, these methods usually has two main drawbacks: 1) requiring HRMS for supervised learning; and 2) simply ignoring the latent relation between the MS and PAN image and fusing them directly. To solve these problems, we propose a novel unsupervised network based on learnable degradation processes, dubbed as LDP-Net. A reblurring block and a graying block are designed to learn the corresponding degradation processes, respectively. In addition, a novel hybrid loss function is proposed to constrain both spatial and spectral consistency between the pansharpened image and the PAN and LRMS images at different resolutions. Experiments on Worldview2 and Worldview3 images demonstrate that our proposed LDP-Net can fuse PAN and LRMS images effectively without the help of HRMS samples, achieving promising performance in terms of both qualitative visual effects and quantitative metrics.
• Abstract（参考訳）: リモートセンシング画像におけるパンシャーペンは、低分解能マルチスペクトル(LRMS)画像をパンクロマチック(PAN)画像と融合させることで、高分解能マルチスペクトル(HRMS)画像を直接取得することを目的としている。 主な関心事は、LRMS画像の豊富なスペクトル情報とPAN画像の豊富な空間情報とを効果的に組み合わせることである。 近年,パンシャーピング作業において,深層学習に基づく多くの手法が提案されている。 しかし、これらの手法は通常2つの主な欠点がある。 1) 指導的学習にHRMSを必要とすること,及び 2) 単にMSとPANイメージの潜伏関係を無視して直接融合するだけだ。 そこで本研究では,学習可能な劣化過程に基づく新しいネットワークであるldp-netを提案する。 ブルーリングブロックとグレーニングブロックは、それぞれ対応する劣化過程を学ぶように設計されている。 また,パンシャープ化画像とパン画像とlrms画像の空間的およびスペクトル的一貫性を異なる解像度で制約するために,新しいハイブリッド損失関数を提案する。 Worldview2 と Worldview3 での実験により,提案した LDP-Net は HRMS サンプルを使わずに PAN と LRMS の画像を効果的に融合し,定性的視覚効果と定量化の両面で有望な性能を達成できることを示した。

関連論文リスト

• Variational Zero-shot Multispectral Pansharpening [43.881891055500496]
  Pansharpeningは、低空間分解能マルチスペクトル画像(LRMS)とパンクロマチック画像(PAN)を融合させて高空間分解能マルチスペクトル画像(HRMS)を生成することを目的としている。 既存のディープラーニングベースの手法は、多くのトレーニングペアに依存するため、適していない。 最適化対象にニューラルネットワークを導入することにより,ゼロショットパンスハーペン方式を提案する。
  論文  参考訳（メタデータ） (2024-07-09T07:59:34Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• PanFlowNet: A Flow-Based Deep Network for Pan-sharpening [41.9419544446451]
  パンシャーピングは、低分解能マルチスペクトル(LRMS)画像のスペクトル情報と高分解能パンクロマティック(PAN)画像のテクスチャ詳細を統合することで、高分解能マルチスペクトル(HRMS)画像を生成することを目的としている。 既存のディープラーニングに基づく手法は、決定論的マッピングを用いて、LRMS画像とPAN画像から1つのHRMS画像のみを復元する。 LRMS画像とPAN画像の条件分布を直接学習するフローベースパンシャーピングネットワーク(PanFlowNet)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T21:34:35Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• Unsupervised Cycle-consistent Generative Adversarial Networks for Pan-sharpening [41.68141846006704]
  本稿では,この問題を緩和するために,基礎的な真理を伴わずに,フルスケールの画像から学習する,教師なしの生成的敵対的枠組みを提案する。 PANおよびMS画像から2ストリーム生成器を用いてモダリティ特異的特徴を抽出し,特徴領域での融合を行い,パンシャープ画像の再構成を行う。 提案手法は,フルスケール画像のパンシャーピング性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-09-20T09:43:24Z)
• Fast and High-Quality Blind Multi-Spectral Image Pansharpening [48.68143888901669]
  ブラインドパンスハーピングへの迅速なアプローチを提案し、最新の画像再構築品質を実現します。 速い盲目のpansharpeningを達成するために、私達はぼかしのカーネルおよびHRMSのイメージの解決を分離します。 アルゴリズムは計算時間と再構成品質の両面で最先端のモデルベースを上回っている。
  論文  参考訳（メタデータ） (2021-03-17T23:12:14Z)
• PGMAN: An Unsupervised Generative Multi-adversarial Network for Pan-sharpening [46.84573725116611]
  プリプロセッシングのないフル解像度画像から直接学習する教師なしのフレームワークを提案する。 本研究では,2ストリーム生成器を用いてPAN画像とMS画像からモダリティ固有の特徴を抽出し,融合時に入力のスペクトル情報と空間情報を保存する2重識別器を開発した。
  論文  参考訳（メタデータ） (2020-12-16T16:21:03Z)

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。