Fugu-MT 論文翻訳(概要): Multi-temporal speckle reduction with self-supervised deep neural networks

論文の概要: Multi-temporal speckle reduction with self-supervised deep neural networks

arxiv url: http://arxiv.org/abs/2207.11095v1
Date: Fri, 22 Jul 2022 14:08:22 GMT
ステータス: 処理完了
システム内更新日: 2022-07-25 13:38:25.944336
Title: Multi-temporal speckle reduction with self-supervised deep neural networks
Title（参考訳）: 自己教師付きディープニューラルネットワークを用いたマルチタイムスペックル低減
Authors: In\`es Meraoumia, Emanuele Dalsasso, Lo\"ic Denis, R\'emy Abergel, and Florence Tupin
Abstract要約: 最新の技術は、様々な構造や独特のテクスチャをSAR画像に復元するために、ディープニューラルネットワークに依存している。スペックルフィルタは一般的に合成開口レーダ(SAR)画像の解析に必須である。我々は、MERLINと呼ばれるシングルルック複雑なSAR画像に対する、近年の自己教師型トレーニング戦略を、マルチテンポラルフィルタリングの場合に拡張する。
参考スコア（独自算出の注目度）: 2.9979894869734927
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Speckle filtering is generally a prerequisite to the analysis of synthetic aperture radar (SAR) images. Tremendous progress has been achieved in the domain of single-image despeckling. Latest techniques rely on deep neural networks to restore the various structures and textures peculiar to SAR images. The availability of time series of SAR images offers the possibility of improving speckle filtering by combining different speckle realizations over the same area. The supervised training of deep neural networks requires ground-truth speckle-free images. Such images can only be obtained indirectly through some form of averaging, by spatial or temporal integration, and are imperfect. Given the potential of very high quality restoration reachable by multi-temporal speckle filtering, the limitations of ground-truth images need to be circumvented. We extend a recent self-supervised training strategy for single-look complex SAR images, called MERLIN, to the case of multi-temporal filtering. This requires modeling the sources of statistical dependencies in the spatial and temporal dimensions as well as between the real and imaginary components of the complex amplitudes. Quantitative analysis on datasets with simulated speckle indicates a clear improvement of speckle reduction when additional SAR images are included. Our method is then applied to stacks of TerraSAR-X images and shown to outperform competing multi-temporal speckle filtering approaches. The code of the trained models is made freely available on the $\href{https://gitlab.telecom-paris.fr/ring/multi-temporal-merlin/}{\text{GitLab}}$ of the IMAGES team of the LTCI Lab, T\'el\'ecom Paris Institut Polytechnique de Paris.
Abstract（参考訳）: スペックルフィルタリングは一般的に合成開口レーダ(sar)画像の解析の前提条件である。シングルイメージのデスペックリングの領域では、非常に進歩した。最新の技術は、SAR画像特有の様々な構造やテクスチャを復元するために、ディープニューラルネットワークに依存している。 SAR画像の時系列化により、同一領域における異なるスペックル実現を組み合わせることで、スペックルフィルタリングを改善することができる。ディープニューラルネットワークの教師付きトレーニングには、接地したスペックルのないイメージが必要である。このような画像は、空間的あるいは時間的統合によって、平均化によってのみ間接的に取得でき、不完全である。マルチ時間スペックルフィルタにより高画質の復元が可能となる可能性を考えると、地中画像の限界を回避する必要がある。本研究では,複合sar画像に対する自己教師あり学習戦略であるmerlinを,複数時空間フィルタリングに拡張した。これには、複素振幅の実部と虚部の間の空間的および時間的次元における統計的依存性の源をモデル化する必要がある。シミュレーションスペックルを用いたデータセットの定量的解析は、追加のSAR画像を含む場合のスペックル低減の明確な改善を示している。この手法はterrasar-x画像のスタックに適用され、競合するマルチテンポラルスペックルフィルタリング手法よりも優れていることを示す。トレーニングされたモデルのコードは、LTCI Labの imageS チームの $\href{https://gitlab.telecom-paris.fr/ring/multi-temporal-merlin/}{\text{GitLab}}$で無償公開されている。

関連論文リスト

Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文参考訳（メタデータ） (2024-08-28T10:07:17Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Fast strategies for multi-temporal speckle reduction of Sentinel-1 GRD images [3.5136650608171833]
本稿では,SAR2SARという単一画像の切り離しアルゴリズムを用いた2つの高速戦略をマルチテンポラリ・フレームワークで検討する。 1つはQueganフィルタに基づいており、SAR2SARによる局所反射率事前推定を置き換える。 2つ目は、SAR2SARを使用して、「スーパーイメージ」の形で多時間情報を符号化する比画像からスペックルを抑圧する。
論文参考訳（メタデータ） (2022-07-22T14:38:37Z)
Multi-scale Sparse Representation-Based Shadow Inpainting for Retinal OCT Images [0.261990490798442]
網膜光コヒーレンス断層撮影(OCT)画像における表面血管による陰影領域の塗布は,正確で堅牢な機械解析と臨床診断に重要である。近隣情報を伝播して徐々に行方不明地域を埋めるといった従来のシーケンスベースのアプローチは費用対効果が高い。エンコーダ・デコーダネットワークのような深層学習に基づく手法は、自然な画像の描画タスクにおいて有望な結果を示している。スパース表現と深層学習を相乗的に適用することにより,OCT画像のマルチスケールシャドウ塗装フレームワークを提案する。
論文参考訳（メタデータ） (2022-02-23T09:37:14Z)
As if by magic: self-supervised training of deep despeckling networks with MERLIN [3.94041326670251]
MERLINと呼ばれる一面複雑なSAR画像の現実部分と虚部分の分離に基づく自己監督戦略 MERLINで訓練されたネットワークは、所定のセンサと撮像モードに特有のSAR伝達関数による空間的相関を考慮に入れている。
論文参考訳（メタデータ） (2021-10-25T16:30:09Z)
Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文参考訳（メタデータ） (2021-08-19T11:02:25Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)
SAR2SAR: a semi-supervised despeckling algorithm for SAR images [3.9490074068698]
本稿では,自己超越型ディープラーニングアルゴリズムSAR2SARを提案する。時間的変化の補償と、スペックル統計に適応した損失関数に基づいて、SAR非特異化に適応する戦略を提示する。提案アルゴリズムの可能性を示すために,実画像における結果について考察する。
論文参考訳（メタデータ） (2020-06-26T15:07:28Z)
Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文参考訳（メタデータ） (2020-05-18T14:25:50Z)
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)

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。