論文の概要: Exploiting Digital Surface Models for Inferring Super-Resolution for
Remotely Sensed Images
- arxiv url: http://arxiv.org/abs/2205.04056v1
- Date: Mon, 9 May 2022 06:02:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 15:09:00.703698
- Title: Exploiting Digital Surface Models for Inferring Super-Resolution for
Remotely Sensed Images
- Title(参考訳): リモートセンシング画像の超解像推定のためのデジタル表面モデルの作成
- Authors: Savvas Karatsiolis, Chirag Padubidri and Andreas Kamilaris
- Abstract要約: 本稿では,SRRモデルにリアルなリモートセンシング画像の出力を強制する新しい手法を提案する。
画像の通常のデジタル表面モデル(nDSM)から推定されるピクセルレベルの情報を知覚的損失として特徴空間の類似性に頼る代わりに、モデルが考慮する。
視覚検査に基づいて、推定された超解像画像は、特に優れた品質を示す。
- 参考スコア(独自算出の注目度): 2.3204178451683264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the plethora of successful Super-Resolution Reconstruction (SRR)
models applied to natural images, their application to remote sensing imagery
tends to produce poor results. Remote sensing imagery is often more complicated
than natural images and has its peculiarities such as being of lower
resolution, it contains noise, and often depicting large textured surfaces. As
a result, applying non-specialized SRR models on remote sensing imagery results
in artifacts and poor reconstructions. To address these problems, this paper
proposes an architecture inspired by previous research work, introducing a
novel approach for forcing an SRR model to output realistic remote sensing
images: instead of relying on feature-space similarities as a perceptual loss,
the model considers pixel-level information inferred from the normalized
Digital Surface Model (nDSM) of the image. This strategy allows the application
of better-informed updates during the training of the model which sources from
a task (elevation map inference) that is closely related to remote sensing.
Nonetheless, the nDSM auxiliary information is not required during production
and thus the model infers a super-resolution image without any additional data
besides its low-resolution pairs. We assess our model on two remotely sensed
datasets of different spatial resolutions that also contain the DSM pairs of
the images: the DFC2018 dataset and the dataset containing the national Lidar
fly-by of Luxembourg. Based on visual inspection, the inferred super-resolution
images exhibit particularly superior quality. In particular, the results for
the high-resolution DFC2018 dataset are realistic and almost indistinguishable
from the ground truth images.
- Abstract(参考訳): 自然画像に適用されたスーパーレゾリューション(srr)モデルは、多くの成功を収めているが、リモートセンシング画像への応用は、結果に乏しい傾向がある。
リモートセンシングのイメージは、自然画像よりも複雑で、低解像度であること、ノイズがあること、大きなテクスチャの表面を描くことなど、その特異性がある。
その結果、リモートセンシング画像に特殊化されていないSRRモデルを適用すると、アーティファクトと貧弱な再構築が生じる。
そこで本稿では,従来の研究成果に触発されたアーキテクチャを提案し,srrモデルに現実的リモートセンシング画像の出力を強制する新しい手法を提案する。
この戦略により、リモートセンシングと密接な関係を持つタスク(標高マップ推論)から発生するモデルのトレーニング中に、より良いインフォームド更新を適用することができる。
それでも、nDSM補助情報は製造中に必要とされないため、モデルはその低解像度のペア以外の追加データなしで超解像度画像を推測する。
我々は、DFC2018データセットとルクセンブルクの全国的なLidarフライバイを含むデータセットという、DSMペアを含む異なる空間解像度の2つのリモートセンシングデータセットに対して、我々のモデルを評価した。
視覚検査により、推定された超解像度画像は特に優れた品質を示す。
特に、高解像度dfc2018データセットの結果は現実的であり、地上の真理画像とほとんど区別できない。
関連論文リスト
- 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) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - Single-View Height Estimation with Conditional Diffusion Probabilistic
Models [1.8782750537161614]
我々は、マルコフ連鎖として光学画像とDSM画像の連成分布を学習するために、生成拡散モデルを訓練する。
これは、音源画像に条件付けされたままの復調スコアマッチング目標を最小化して、現実的な高解像度3次元表面を生成する。
本稿では,1枚のリモートセンシング画像から高度推定を行う条件付き拡散確率モデル(DDPM)を実験する。
論文 参考訳(メタデータ) (2023-04-26T00:37:05Z) - Anomaly Segmentation for High-Resolution Remote Sensing Images Based on
Pixel Descriptors [4.802384658974538]
高空間分解能(HSR)リモートセンシング画像における異常セグメンテーションは、通常のパターンから逸脱した地球の異常パターンのセグメンテーションを目的としている。
これらの問題に対処するために、HSR画像の異常分割に対して、画素記述子(ASD)に基づく異常分割モデルを提案する。
提案したASDモデルは、4つのHSRデータセットを用いて検証し、最近の最先端モデルと比較した。
論文 参考訳(メタデータ) (2023-01-31T05:32:34Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - 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) - Sci-Net: a Scale Invariant Model for Building Detection from Aerial
Images [0.0]
本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。
具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
論文 参考訳(メタデータ) (2021-11-12T16:45:20Z) - Kernel Agnostic Real-world Image Super-resolution [82.3963188538938]
実世界のイメージSR問題に対処するための新しいカーネル非依存SRフレームワークを紹介します。
提案手法では,劣化カーネルとノイズは明示的に指定するのではなく適応的にモデル化される。
実験は、複数の実世界のデータセットにおける提案フレームワークの有効性を検証する。
論文 参考訳(メタデータ) (2021-04-19T01:51:21Z) - Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。
このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。
リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。
イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
論文 参考訳(メタデータ) (2021-03-29T02:58:27Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z) - 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。