論文の概要: Deep Learning Eliminates Massive Dust Storms from Images of Tianwen-1

• arxiv url: http://arxiv.org/abs/2206.10145v1
• Date: Tue, 21 Jun 2022 07:05:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 05:30:32.676104
• Title: Deep Learning Eliminates Massive Dust Storms from Images of Tianwen-1
• Title（参考訳）: 天wen-1の画像から大量のダストストームを除去する深層学習
• Authors: Hongyu Li, Jia Li, Xin Ren, Long Xu
• Abstract要約: そこで我々は,火星の塵除去問題を解決するために,地球上で得られた画像デハージングの知識を再利用する手法を提案する。 地球上のヘイズの形成過程にインスパイアされ、クリーンな画像上でも同様の視覚劣化過程を定式化する。 我々は、本質的に無関係な特徴をダストにエンコードし、それらをダストフリーの画像にデコードするディープモデルを訓練する。
• 参考スコア（独自算出の注目度）: 24.25089331365282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dust storms may remarkably degrade the imaging quality of Martian orbiters and delay the progress of mapping the global topography and geomorphology. To address this issue, this paper presents an approach that reuses the image dehazing knowledge obtained on Earth to resolve the dust-removal problem on Mars. In this approach, we collect remote-sensing images captured by Tianwen-1 and manually select hundreds of clean and dusty images. Inspired by the haze formation process on Earth, we formulate a similar visual degradation process on clean images and synthesize dusty images sharing a similar feature distribution with realistic dusty images. These realistic clean and synthetic dusty image pairs are used to train a deep model that inherently encodes dust irrelevant features and decodes them into dust-free images. Qualitative and quantitative results show that dust storms can be effectively eliminated by the proposed approach, leading to obviously improved topographical and geomorphological details of Mars.
• Abstract（参考訳）: ダストストームは火星探査機の撮像品質を著しく低下させ、地球地形と地形のマッピングの進行を遅らせる可能性がある。 この問題に対処するため,本稿では,火星の塵除去問題を解決するため,地球上で得られた画像デハビリテーション知識を再利用する手法を提案する。 このアプローチでは、tianwen-1が捉えたリモートセンシング画像を収集し、数百のクリーンでほこりっぽい画像を手動で選択する。 地球上のヘイズ形成過程にインスパイアされ、クリーンな画像に類似した視覚劣化過程を定式化し、リアルなダストライイメージと類似した特徴分布を共有するダストリーイメージを合成する。 これらのリアルなクリーンで合成的なダスト画像ペアは、本質的にダストの無関係な特徴をエンコードし、それらをダストのない画像にデコードする深いモデルを訓練するために使用されます。 定性的かつ定量的な結果は、提案されたアプローチによって塵嵐が効果的に除去され、火星の地形や地形が明らかに改善されることを示している。

関連論文リスト

• Detecting and Refining HiRISE Image Patches Obscured by Atmospheric Dust [0.0]
  火星は、このデータ収集プロセスを妨げている地域や地域の塵嵐が頻発している。 これらの画像を手動で取り除くには、大量の人力が必要である。 私はこれらのほこりっぽいパッチを分類して保存するパイプラインを設計します。
  論文  参考訳（メタデータ） (2024-05-08T00:03:23Z)
• See Blue Sky: Deep Image Dehaze Using Paired and Unpaired Training Images [73.23687409870656]
  本稿では,新しいエンドツーエンド画像デヘイズモデルを構築するために,サイクル生成対向ネットワークを提案する。 我々は、実世界の未ペア画像データセットとペア画像データセットのセットを含む、私たちのモデルをトレーニングするために、屋外画像データセットを採用しています。 本モデルでは, サイクル構造に基づいて, 対向損失, サイクル整合損失, フォトリアリズム損失, ペアL1損失を含む4種類の損失関数を付加した。
  論文  参考訳（メタデータ） (2022-10-14T07:45:33Z)
• Cloud removal Using Atmosphere Model [7.259230333873744]
  クラウド除去はリモートセンシングデータ分析において重要なタスクである。 本稿では,低階及びスパースモデルの枠組みにおける任意のシーンの画像の時間的シーケンスに散乱モデルを用いることを提案する。 本研究では,クラウドカバーを定量的に解析できる半現実的シミュレーション手法を開発した。
  論文  参考訳（メタデータ） (2022-10-05T01:29:19Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
  大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。 深層学習に基づく大気乱流緩和法が文献で提案されている。 様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
  論文  参考訳（メタデータ） (2022-04-19T16:21:36Z)
• Unsupervised domain adaptation and super resolution on drone images for autonomous dry herbage biomass estimation [14.666311628659072]
  ハーベージ質量収量と組成推定は、乳製品農家にとって重要なツールである。 ディープラーニングアルゴリズムは、スワード合成推定の通常の方法に代わる誘惑的な代替手段を提供する。 本稿では,地上レベルの画像から生のドローン画像への知識の伝達を教師なしで行うことを提案する。
  論文  参考訳（メタデータ） (2022-04-18T12:11:15Z)
• Detecting Blurred Ground-based Sky/Cloud Images [5.178207785968322]
  ぼやけた空/雲の画像を識別する効率的なフレームワークを提案する。 静的な外部マーカーを用いて,提案手法は検出精度が94%である。
  論文  参考訳（メタデータ） (2021-10-19T06:51:31Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• Non-Homogeneous Haze Removal via Artificial Scene Prior and Bidimensional Graph Reasoning [52.07698484363237]
  本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。 本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-04-05T13:04:44Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。