論文の概要: Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A
Preliminary Study
- arxiv url: http://arxiv.org/abs/2211.14990v1
- Date: Mon, 28 Nov 2022 01:28:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 20:19:31.821658
- Title: Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A
Preliminary Study
- Title（参考訳）: Deep Learning Inverse Technique を用いたニアフィルタSAR画像復元 : 予備的検討
- Authors: Xu Zhan, Xiaoling Zhang, Wensi Zhang, Jun Shi, Shunjun Wei, Tianjiao
Zeng
- Abstract要約: 近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。
一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。
イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。
我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。
モデルに基づくディープラーニングネットワークは、復元するために設計されている
- 参考スコア（独自算出の注目度）: 5.489791364472879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Benefiting from a relatively larger aperture's angle, and in combination with
a wide transmitting bandwidth, near-field synthetic aperture radar (SAR)
provides a high-resolution image of a target's scattering distribution-hot
spots. Meanwhile, imaging result suffers inevitable degradation from sidelobes,
clutters, and noises, hindering the information retrieval of the target. To
restore the image, current methods make simplified assumptions; for example,
the point spread function (PSF) is spatially consistent, the target consists of
sparse point scatters, etc. Thus, they achieve limited restoration performance
in terms of the target's shape, especially for complex targets. To address
these issues, a preliminary study is conducted on restoration with the recent
promising deep learning inverse technique in this work. We reformulate the
degradation model into a spatially variable complex-convolution model, where
the near-field SAR's system response is considered. Adhering to it, a
model-based deep learning network is designed to restore the image. A simulated
degraded image dataset from multiple complex target models is constructed to
validate the network. All the images are formulated using the electromagnetic
simulation tool. Experiments on the dataset reveal their effectiveness.
Compared with current methods, superior performance is achieved regarding the
target's shape and energy estimation.
- Abstract（参考訳）: 比較的大きな開口角と広い伝送帯域と組み合わせて、近距離場合成開口レーダー(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。
一方、撮像結果は、サイドローブ、クラッタ、ノイズから必然的に劣化し、ターゲットの情報検索を妨げる。
イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。
これにより、特に複雑なターゲットに対して、ターゲット形状の限定的な復元性能が得られる。
これらの課題に対処するために,本研究における近年の有望な深層学習逆テクニックによる復元に関する予備的研究を行った。
本研究では,分解モデルを,近接場sarのシステム応答を考慮した空間変数複素畳み込みモデルに再構成する。
それに合わせて、モデルベースのディープラーニングネットワークは、イメージを復元するように設計されている。
複数の複雑なターゲットモデルからのシミュレーション劣化画像データセットを構築し,ネットワークの検証を行った。
全ての画像は電磁シミュレーションツールを用いて定式化される。
データセットの実験は、その有効性を明らかにする。
現在の手法と比較して、目標形状とエネルギー推定に関して優れた性能が得られる。
関連論文リスト
- One-step Generative Diffusion for Realistic Extreme Image Rescaling [47.89362819768323]
極端画像再スケーリングのためのワンステップイメージ再スケーリング拡散(OSIRDiff)と呼ばれる新しいフレームワークを提案する。
OSIRDiffは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を実行する。
これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
論文 参考訳（メタデータ） (2024-08-17T09:51:42Z) - InfRS: Incremental Few-Shot Object Detection in Remote Sensing Images [11.916941756499435]
本稿では,リモートセンシング画像におけるインクリメンタルな数ショット物体検出の複雑な課題について検討する。
本稿では,新しい授業の漸進的な学習を促進するために,InfRSと呼ばれる先駆的な微調整技術を導入する。
我々はワッサーシュタイン距離に基づく原型校正戦略を開発し、破滅的な忘れ問題を軽減する。
論文 参考訳（メタデータ） (2024-05-18T13:39:50Z) - RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。
我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。
その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
論文 参考訳（メタデータ） (2023-12-15T13:33:09Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - 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) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳（メタデータ） (2023-11-20T08:27:56Z) - Diffusion Models for Image Restoration and Enhancement -- A
Comprehensive Survey [96.99328714941657]
本稿では,近年の拡散モデルに基づく画像復元手法について概観する。
我々は、赤外線とブラインド/現実世界の両方で拡散モデルを用いて、革新的なデザインを分類し、強調する。
本稿では,拡散モデルに基づくIRの今後の研究に向けた5つの可能性と課題を提案する。
論文 参考訳（メタデータ） (2023-08-18T08:40:38Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。
本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文 参考訳（メタデータ） (2020-12-16T21:46:33Z) - Deep Generative Adversarial Residual Convolutional Networks for
Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。
これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。
提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文 参考訳（メタデータ） (2020-05-03T00:12:38Z)
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。