論文の概要: PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening

• arxiv url: http://arxiv.org/abs/2207.14451v1
• Date: Fri, 29 Jul 2022 03:09:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 13:11:58.663534
• Title: PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening
• Title（参考訳）: PC-GANs: パンシャーピングのためのプログレッシブ補償生成対向ネットワーク
• Authors: Yinghui Xing, Shuyuan Yang, Song Wang, Yan Zhang, Yanning Zhang
• Abstract要約: 空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
• 参考スコア（独自算出の注目度）: 50.943080184828524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fusion of multispectral and panchromatic images is always dubbed pansharpening. Most of the available deep learning-based pan-sharpening methods sharpen the multispectral images through a one-step scheme, which strongly depends on the reconstruction ability of the network. However, remote sensing images always have large variations, as a result, these one-step methods are vulnerable to the error accumulation and thus incapable of preserving spatial details as well as the spectral information. In this paper, we propose a novel two-step model for pan-sharpening that sharpens the MS image through the progressive compensation of the spatial and spectral information. Firstly, a deep multiscale guided generative adversarial network is used to preliminarily enhance the spatial resolution of the MS image. Starting from the pre-sharpened MS image in the coarse domain, our approach then progressively refines the spatial and spectral residuals over a couple of generative adversarial networks (GANs) that have reverse architectures. The whole model is composed of triple GANs, and based on the specific architecture, a joint compensation loss function is designed to enable the triple GANs to be trained simultaneously. Moreover, the spatial-spectral residual compensation structure proposed in this paper can be extended to other pan-sharpening methods to further enhance their fusion results. Extensive experiments are performed on different datasets and the results demonstrate the effectiveness and efficiency of our proposed method.
• Abstract（参考訳）: マルチスペクトル画像とパンクロマティック画像の融合は常にパンシャルペンと呼ばれる。 利用可能な深層学習に基づくパンシャーピング手法のほとんどは、ネットワークの再構築能力に強く依存するワンステップ方式により、マルチスペクトル画像をシャープする。 しかし、リモートセンシング画像には常に大きなバリエーションがあり、その結果、これらの一段階の手法は誤差の蓄積に弱いため、スペクトル情報だけでなく空間的詳細も保存できない。 本稿では,空間的およびスペクトル情報の漸進的補償によりms画像のシャープ化を行うパンシャープ化のための新しい2段階モデルを提案する。 まず,MS画像の空間分解能を予め向上するために,深層多スケール誘導生成対向ネットワークを用いる。 粗い領域における予め強調されたms画像から始めて、このアプローチは、逆アーキテクチャを持つ2つの生成的逆向ネットワーク(gan)上の空間的およびスペクトル的残差を段階的に洗練する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように共同補償損失関数が設計されている。 さらに,本論文で提案する空間スペクトル残差補償構造を他のパンシャープ化法にも拡張し,核融合結果をさらに高めることができる。 異なるデータセット上で広範な実験を行い,提案手法の有効性と有効性を示す。

関連論文リスト

• Multi-Head Attention Residual Unfolded Network for Model-Based Pansharpening [2.874893537471256]
  展開融合法は、ディープラーニングの強力な表現能力とモデルベースアプローチの堅牢性を統合する。 本稿では,衛星画像融合のためのモデルに基づく深部展開手法を提案する。 PRISMA、Quickbird、WorldView2データセットの実験結果から、本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-09-04T13:05:00Z)
• 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)
• A Triple-Double Convolutional Neural Network for Panchromatic Sharpening [31.392337484731783]
  パンシャルペニング(英: Pansharpening)とは、空間分解能の高いパンクロマティック画像と、空間分解能の低いマルチスペクトル画像の融合を指す。 本稿では,パンシャーピングのためのレベルドメインに基づく損失関数を持つ新しいディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-04T04:22:11Z)
• LDP-Net: An Unsupervised Pansharpening Network Based on Learnable Degradation Processes [18.139096037746672]
  LDP-Netと呼ばれる学習可能な劣化過程に基づく新しい教師なしネットワークを提案する。 ブルーリングブロックとグレーニングブロックは、それぞれ対応する劣化過程を学習するように設計されている。 Worldview2 および Worldview3 画像を用いた実験により,提案した LDP-Net は,HRMS サンプルを使わずに PAN と LRMS 画像を効果的に融合できることを示した。
  論文  参考訳（メタデータ） (2021-11-24T13:21:22Z)
• Unsupervised Cycle-consistent Generative Adversarial Networks for Pan-sharpening [41.68141846006704]
  本稿では,この問題を緩和するために,基礎的な真理を伴わずに,フルスケールの画像から学習する,教師なしの生成的敵対的枠組みを提案する。 PANおよびMS画像から2ストリーム生成器を用いてモダリティ特異的特徴を抽出し,特徴領域での融合を行い,パンシャープ画像の再構成を行う。 提案手法は,フルスケール画像のパンシャーピング性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-09-20T09:43:24Z)
• 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)
• Hyperspectral Pansharpening Based on Improved Deep Image Prior and Residual Reconstruction [64.10636296274168]
  高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化 近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。 深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
  論文  参考訳（メタデータ） (2021-07-06T14:11:03Z)
• PGMAN: An Unsupervised Generative Multi-adversarial Network for Pan-sharpening [46.84573725116611]
  プリプロセッシングのないフル解像度画像から直接学習する教師なしのフレームワークを提案する。 本研究では,2ストリーム生成器を用いてPAN画像とMS画像からモダリティ固有の特徴を抽出し,融合時に入力のスペクトル情報と空間情報を保存する2重識別器を開発した。
  論文  参考訳（メタデータ） (2020-12-16T16:21:03Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。