Fugu-MT 論文翻訳(概要): Shadow-Background-Noise 3D Spatial Decomposition Using Sparse Low-Rank Gaussian Properties for Video-SAR Moving Target Shadow Enhancement

論文の概要: Shadow-Background-Noise 3D Spatial Decomposition Using Sparse Low-Rank Gaussian Properties for Video-SAR Moving Target Shadow Enhancement

arxiv url: http://arxiv.org/abs/2207.03064v1
Date: Thu, 7 Jul 2022 03:13:12 GMT
ステータス: 処理完了
システム内更新日: 2022-07-09 03:38:59.977172
Title: Shadow-Background-Noise 3D Spatial Decomposition Using Sparse Low-Rank Gaussian Properties for Video-SAR Moving Target Shadow Enhancement
Title（参考訳）: ビデオSAR移動目標影強調のための疎低域ガウス特性を用いた影背景雑音3次元空間分解
Authors: Tianwen Zhang, Xiaoling Zhang, Zhenyu Yang, Xu Zhan, and Jinyu Bao
Abstract要約: ビデオ合成開口レーダ(Video-SAR)画像間の移動対象影は、常に低い散乱背景と散在するノイズによって干渉される。本稿では,SBN-3D-SDという3次元空間分解手法を提案する。
参考スコア（独自算出の注目度）: 4.268647539586869
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Moving target shadows among video synthetic aperture radar (Video-SAR) images are always interfered by low scattering backgrounds and cluttered noises, causing poor moving target shadow detection-tracking performance. To solve this problem, this letter proposes a shadow-background-noise 3D spatial de-composition method named SBN-3D-SD to boost shadow saliency for better Video-SAR moving target shadow detection-tracking performance.
Abstract（参考訳）: ビデオ合成開口レーダ(video-sar)画像中の移動ターゲットシャドウは常に低散乱背景とノイズが干渉し、移動ターゲットシャドウ検出追跡性能が低下する。この問題を解決するために,sbn-3d-sdと呼ばれるシャドウバックグラウンドノイズ3次元空間デコンポジション法を提案し,シャドウサリエンシーを高め,ビデオサーの移動目標シャドウ検出追跡性能を向上させる。

関連論文リスト

Optimizing 3D Gaussian Splatting for Sparse Viewpoint Scene Reconstruction [11.840097269724792]
3D Gaussian Splatting (3DGS)は3Dシーン表現の有望なアプローチとして登場し、Neural Radiance Fields (NeRF)と比較して計算オーバーヘッドの低減を実現している。 SVS-GSは,3次元ガウス平滑化フィルタを統合して人工物を抑制する,スパースビューポイントシーン再構築のための新しいフレームワークである。
論文参考訳（メタデータ） (2024-09-05T03:18:04Z)
Reconstructing Satellites in 3D from Amateur Telescope Images [44.20773507571372]
本稿では、小型アマチュア望遠鏡で撮影した映像を利用して、低地球軌道上の衛星の3次元再構成のための枠組みを提案する。これらの望遠鏡から得られたビデオデータは、激しい動きのぼかし、大気の乱流、広汎な背景光汚染、焦点距離の延長、観測視点の制約など、標準的な3D再構成作業のデータと大きく異なる。我々は,中国の宇宙ステーションの合成データセットと実際の観測データを用いて,地上観測から3次元空間オブジェクトを再構築する既存の手法に対する大きな優位性を示す。
論文参考訳（メタデータ） (2024-04-29T03:13:09Z)
Gaussian Splatting on the Move: Blur and Rolling Shutter Compensation for Natural Camera Motion [25.54868552979793]
本稿では,カメラの動きに適応し,手持ち映像データを用いた高品質なシーン再構成を実現する手法を提案する。合成データと実データの両方を用いて、既存の手法よりもカメラの動きを軽減できる性能を示した。
論文参考訳（メタデータ） (2024-03-20T06:19:41Z)
StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文参考訳（メタデータ） (2023-12-02T02:27:58Z)
SDDNet: Style-guided Dual-layer Disentanglement Network for Shadow Detection [85.16141353762445]
入力シャドウ画像を背景層と影層の合成として扱い、これらの層を独立にモデル化するためのスタイル誘導デュアル層ディスタングルネットワークを設計する。提案モデルは背景色による有害な効果を効果的に最小化し,32FPSのリアルタイム推論速度を持つ3つの公開データセットに対して優れた性能を示す。
論文参考訳（メタデータ） (2023-08-17T12:10:51Z)
LXL: LiDAR Excluded Lean 3D Object Detection with 4D Imaging Radar and Camera Fusion [14.520176332262725]
本稿では,カメラ上の「サンプリング」ビュー変換戦略と4次元イメージングレーダ融合による3次元物体検出について検討する。画像深度とレーダ情報を導入して「サンプリング」戦略を強化することにより、より正確なビュー変換を行うことができることを示す。 VoD と TJ4DRadSet データセットの実験により,提案手法はベルやホイッスルを使わずに,最先端の3Dオブジェクト検出手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2023-07-03T03:09:44Z)
R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
論文参考訳（メタデータ） (2021-09-20T15:09:22Z)
Shape from Blur: Recovering Textured 3D Shape and Motion of Fast Moving Objects [115.71874459429381]
本研究では, 物体の3次元形状, テクスチャ, 動きを単一動画像から共同で再構成する新しい課題について述べる。従来の手法では2次元画像領域でのみ遅延問題に対処するが、3次元領域における全ての物体特性の厳密なモデリングは任意の物体の動きの正確な記述を可能にする。
論文参考訳（メタデータ） (2021-06-16T13:18:08Z)
Spatiotemporal Bundle Adjustment for Dynamic 3D Human Reconstruction in the Wild [49.672487902268706]
本稿では,カメラの時間的アライメントと3次元点三角測量を共同で推定する枠組みを提案する。複数の無同期・無同期ビデオカメラで捉えたイベントにおいて、人間の身体の3次元運動軌跡を再構成する。
論文参考訳（メタデータ） (2020-07-24T23:50:46Z)
DRWR: A Differentiable Renderer without Rendering for Unsupervised 3D Structure Learning from Silhouette Images [70.54067838587692]
2次元画像から教師なし3次元構造学習のための微分可能なレンダリング(DRWR)を提案する。 DRWRは、再構成された3次元点雲の射影が基底の真理天体シルエットをどれだけよく覆っているかを評価する、単純だが効果的な損失に依存している。その結果, DRWRの精度は, 従来手法よりも質的, 定量的に優れていたことがわかった。
論文参考訳（メタデータ） (2020-07-12T23:13:06Z)

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。