論文の概要: UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical
Satellite Time Series
- arxiv url: http://arxiv.org/abs/2304.05464v1
- Date: Tue, 11 Apr 2023 19:27:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 16:53:10.059203
- Title: UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical
Satellite Time Series
- Title(参考訳): UnCRtainTS:光学衛星時系列における雲除去の不確かさの定量化
- Authors: Patrick Ebel, Vivien Sainte Fare Garnot, Michael Schmitt, Jan Dirk
Wegner, Xiao Xiang Zhu
- Abstract要約: 本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。
予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
- 参考スコア(独自算出の注目度): 19.32220113046804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clouds and haze often occlude optical satellite images, hindering continuous,
dense monitoring of the Earth's surface. Although modern deep learning methods
can implicitly learn to ignore such occlusions, explicit cloud removal as
pre-processing enables manual interpretation and allows training models when
only few annotations are available. Cloud removal is challenging due to the
wide range of occlusion scenarios -- from scenes partially visible through
haze, to completely opaque cloud coverage. Furthermore, integrating
reconstructed images in downstream applications would greatly benefit from
trustworthy quality assessment. In this paper, we introduce UnCRtainTS, a
method for multi-temporal cloud removal combining a novel attention-based
architecture, and a formulation for multivariate uncertainty prediction. These
two components combined set a new state-of-the-art performance in terms of
image reconstruction on two public cloud removal datasets. Additionally, we
show how the well-calibrated predicted uncertainties enable a precise control
of the reconstruction quality.
- Abstract(参考訳): 雲や迷路はしばしば光学衛星の画像を遮蔽し、地球表面の連続した密度の監視を妨げる。
現代のディープラーニング手法は暗黙的にそのような隠蔽を無視して学習することができるが、事前処理による明示的なクラウド削除は手作業による解釈を可能にし、アノテーションが少ない場合にモデルをトレーニングすることができる。
隠蔽シナリオが広範囲にあるため、クラウドの削除は難しい - 部分的にはヘイズから見え、完全に不透明なクラウドカバレッジまで。
さらに、下流アプリケーションに再構成画像を統合することは、信頼できる品質評価の恩恵を受けるだろう。
本稿では,新しい注意に基づくアーキテクチャを組み合わせた雲除去手法であるuncrtaintsと,多変量不確実性予測のための定式化を提案する。
これら2つのコンポーネントを組み合わせることで、2つのパブリッククラウド削除データセットの画像再構成という、新たな最先端のパフォーマンスを実現した。
また,予測の不確実性が再構築品質の精密な制御を可能にすることを示す。
関連論文リスト
- Removing cloud shadows from ground-based solar imagery [0.33748750222488655]
本稿では,U-Netアーキテクチャに基づくクラウドシャドウの除去手法を提案し,古典的監視と条件付きGANを比較した。
我々は,実画像と合成雲の新しいデータセットを用いて,2つの異なる画像モダリティについて評価を行った。
論文 参考訳(メタデータ) (2024-07-18T10:38:24Z) - Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。
制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。
これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
論文 参考訳(メタデータ) (2024-04-01T13:38:16Z) - IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
雲除去のための反復拡散過程(IDF-CR)を提案する。
IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。
潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
論文 参考訳(メタデータ) (2024-03-18T15:23:48Z) - CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross
Attention for Satellite Image Cloud Segmentation [5.178465447325005]
ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。
本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。
Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
論文 参考訳(メタデータ) (2023-11-29T09:31:31Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural
Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。
本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。
マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-05-03T13:24:06Z) - Curricular Contrastive Regularization for Physics-aware Single Image
Dehazing [56.392696439577165]
本研究では, コンセンサス空間を対象とし, 非コンセンサス空間ではなく, 新規なコントラスト正規化を提案する。
我々の負は,1)ハズーな画像から,2)既存の手法による対応する復元から,より低い制約を提供することができる。
このユニットは、直交的なコントラスト正規化とともに、C2PNetというデハジングネットワークを確立します。
論文 参考訳(メタデータ) (2023-03-24T18:18:25Z) - 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) - Exploring the Potential of SAR Data for Cloud Removal in Optical
Satellite Imagery [41.40522618945897]
我々は,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。
提案アルゴリズムは高品質なクラウドフリーな画像を得ることができ、最先端のクラウド除去アルゴリズムに対して好適に機能する。
論文 参考訳(メタデータ) (2022-06-06T18:53:19Z) - Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness
and Sparsity-Regularized Tensor Optimization [3.65794756599491]
リモートセンシング画像では、雲の影に付随する厚い雲の存在が確率の高い事象である。
時間的滑らか度と空間規則化テンソル最適化に基づくリモートセンシング画像の高密度クラウド除去手法を提案する。
論文 参考訳(メタデータ) (2020-08-11T05:59:20Z)
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。