論文の概要: Exploring the Potential of SAR Data for Cloud Removal in Optical
Satellite Imagery
- arxiv url: http://arxiv.org/abs/2206.02850v1
- Date: Mon, 6 Jun 2022 18:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 15:28:54.415357
- Title: Exploring the Potential of SAR Data for Cloud Removal in Optical
Satellite Imagery
- Title(参考訳): 光衛星画像における雲除去のためのSARデータの可能性を探る
- Authors: Fang Xu and Yilei Shi and Patrick Ebel and Lei Yu and Gui-Song Xia and
Wen Yang and Xiao Xiang Zhu
- Abstract要約: 我々は,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。
提案アルゴリズムは高品質なクラウドフリーな画像を得ることができ、最先端のクラウド除去アルゴリズムに対して好適に機能する。
- 参考スコア(独自算出の注目度): 41.40522618945897
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The challenge of the cloud removal task can be alleviated with the aid of
Synthetic Aperture Radar (SAR) images that can penetrate cloud cover. However,
the large domain gap between optical and SAR images as well as the severe
speckle noise of SAR images may cause significant interference in SAR-based
cloud removal, resulting in performance degeneration. In this paper, we propose
a novel global-local fusion based cloud removal (GLF-CR) algorithm to leverage
the complementary information embedded in SAR images. Exploiting the power of
SAR information to promote cloud removal entails two aspects. The first, global
fusion, guides the relationship among all local optical windows to maintain the
structure of the recovered region consistent with the remaining cloud-free
regions. The second, local fusion, transfers complementary information embedded
in the SAR image that corresponds to cloudy areas to generate reliable texture
details of the missing regions, and uses dynamic filtering to alleviate the
performance degradation caused by speckle noise. Extensive evaluation
demonstrates that the proposed algorithm can yield high quality cloud-free
images and performs favorably against state-of-the-art cloud removal
algorithms.
- Abstract(参考訳): クラウド除去タスクの課題は,クラウドカバーを透過可能なSAR(Synthetic Aperture Radar)イメージの活用によって緩和することができる。
しかし、光学画像とSAR画像の間の大きな領域ギャップと、SAR画像の厳しいスペックルノイズは、SARベースの雲の除去に大きな干渉を与え、性能劣化をもたらす可能性がある。
本稿では,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。
クラウド除去を促進するためにSAR情報のパワーを行使するには2つの側面が必要である。
最初のグローバル融合は、残りの雲のない領域と一致する回復領域の構造を維持するために、すべての局所光学窓間の関係を導くものである。
第2の局所融合は、雲の領域に対応するSAR画像に埋め込まれた補完情報を伝達し、欠落した領域の信頼性の高いテクスチャの詳細を生成し、動的フィルタリングを用いてスペックルノイズによる性能劣化を緩和する。
広範な評価により,提案アルゴリズムは高品質なクラウドフリーイメージを生成でき,最先端のクラウド除去アルゴリズムに対して好適な性能を発揮することが示された。
関連論文リスト
- Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote
Sensing Imagery [48.14610248492785]
雲層は、光学リモートセンシング(RS)画像の品質と効果を著しく損なう。
既存のディープラーニング(DL)ベースのクラウド削除(CR)技術は、元の視覚的正当性と画像の詳細なセマンティック内容の正確な再構築に困難を伴う。
この課題に対処するために、データと方法論の面での強化を提案する。
論文 参考訳(メタデータ) (2024-01-25T13:14:17Z) - Enhancing Low-light Light Field Images with A Deep Compensation
Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳(メタデータ) (2023-08-10T07:53:06Z) - UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical
Satellite Time Series [19.32220113046804]
本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。
予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
論文 参考訳(メタデータ) (2023-04-11T19:27:18Z) - MM811 Project Report: Cloud Detection and Removal in Satellite Images [0.0]
我々は,アテンションGANを用いて衛星画像から雲を除去することを目的としている。
従来のGANとオートエンコーダを用いて得られた結果を再現して比較した。
このプロジェクトの結果は、クラウドフリーの衛星画像を必要とするアプリケーションの開発に利用できる。
論文 参考訳(メタデータ) (2022-12-21T21:14:35Z) - Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。
我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。
提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
論文 参考訳(メタデータ) (2022-10-27T01:25:57Z) - Seeing Through Clouds in Satellite Images [14.84582204034532]
本稿では,衛星画像中の雲に隠されたピクセルを回復するためのニューラルネットワークベースのソリューションを提案する。
我々は、雲を貫通する超高周波数帯の電波周波数(RF)信号を活用し、マルチスペクトル画像における隠蔽領域の再構成を支援する。
論文 参考訳(メタデータ) (2021-06-15T20:01:27Z) - Cloud removal in remote sensing images using generative adversarial
networks and SAR-to-optical image translation [0.618778092044887]
雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。
本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題の解決を試みる。
第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。
論文 参考訳(メタデータ) (2020-12-22T17:19:14Z) - Multi-Head Linear Attention Generative Adversarial Network for Thin
Cloud Removal [5.753245638190626]
雲の薄い除去はリモートセンシング画像の利用を高めるために欠かせない手順である。
薄層雲除去のためのマルチヘッド線形注意生成ネットワーク(MLAGAN)を提案する。
6つのディープラーニングベースのシンクラウド除去ベンチマークと比較して、RICE1およびRICE2データセットの実験結果は、提案されたフレームワークMLA-GANがシンクラウド除去に優勢であることを示しています。
論文 参考訳(メタデータ) (2020-12-20T11:50:54Z) - Dense Attention Fluid Network for Salient Object Detection in Optical
Remote Sensing Images [193.77450545067967]
光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。
GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。
我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
論文 参考訳(メタデータ) (2020-11-26T06:14:10Z) - Designing and Training of A Dual CNN for Image Denoising [117.54244339673316]
クリーンなイメージを復元するためのDual denoising Network(DudeNet)を提案する。
DudeNetは4つのモジュールで構成されている。機能抽出ブロック、拡張ブロック、圧縮ブロック、再構築ブロックである。
論文 参考訳(メタデータ) (2020-07-08T08:16:24Z)
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。