論文の概要: PanFlowNet: A Flow-Based Deep Network for Pan-sharpening
- arxiv url: http://arxiv.org/abs/2305.07774v2
- Date: Tue, 16 May 2023 14:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 10:49:01.646192
- Title: PanFlowNet: A Flow-Based Deep Network for Pan-sharpening
- Title（参考訳）: PanFlowNet: パンシャーピングのためのフローベースのディープネットワーク
- Authors: Gang Yang, Xiangyong Cao, Wenzhe Xiao, Man Zhou, Aiping Liu, Xun chen,
and Deyu Meng
- Abstract要約: パンシャーピングは、低分解能マルチスペクトル(LRMS)画像のスペクトル情報と高分解能パンクロマティック(PAN)画像のテクスチャ詳細を統合することで、高分解能マルチスペクトル(HRMS)画像を生成することを目的としている。
既存のディープラーニングに基づく手法は、決定論的マッピングを用いて、LRMS画像とPAN画像から1つのHRMS画像のみを復元する。
LRMS画像とPAN画像の条件分布を直接学習するフローベースパンシャーピングネットワーク(PanFlowNet)を提案する。
- 参考スコア（独自算出の注目度）: 41.9419544446451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pan-sharpening aims to generate a high-resolution multispectral (HRMS) image
by integrating the spectral information of a low-resolution multispectral
(LRMS) image with the texture details of a high-resolution panchromatic (PAN)
image. It essentially inherits the ill-posed nature of the super-resolution
(SR) task that diverse HRMS images can degrade into an LRMS image. However,
existing deep learning-based methods recover only one HRMS image from the LRMS
image and PAN image using a deterministic mapping, thus ignoring the diversity
of the HRMS image. In this paper, to alleviate this ill-posed issue, we propose
a flow-based pan-sharpening network (PanFlowNet) to directly learn the
conditional distribution of HRMS image given LRMS image and PAN image instead
of learning a deterministic mapping. Specifically, we first transform this
unknown conditional distribution into a given Gaussian distribution by an
invertible network, and the conditional distribution can thus be explicitly
defined. Then, we design an invertible Conditional Affine Coupling Block (CACB)
and further build the architecture of PanFlowNet by stacking a series of CACBs.
Finally, the PanFlowNet is trained by maximizing the log-likelihood of the
conditional distribution given a training set and can then be used to predict
diverse HRMS images. The experimental results verify that the proposed
PanFlowNet can generate various HRMS images given an LRMS image and a PAN
image. Additionally, the experimental results on different kinds of satellite
datasets also demonstrate the superiority of our PanFlowNet compared with other
state-of-the-art methods both visually and quantitatively.
- Abstract（参考訳）: パンシャーピングは、低分解能マルチスペクトル(LRMS)画像のスペクトル情報と高分解能パンクロマティック(PAN)画像のテクスチャ詳細を統合することで、高分解能マルチスペクトル(HRMS)画像を生成することを目的としている。
これは本質的には、様々なHRMS画像をLRMS画像に分解できる超解像(SR)タスクの誤った性質を継承する。
しかし、既存のディープラーニングに基づく手法では、決定論的マッピングを用いてLRMS画像とPAN画像から1つのHRMS画像のみを復元し、HRMS画像の多様性を無視している。
本稿では,この問題を軽減するために,決定論的マッピングを学習する代わりに,LRMS画像とPAN画像の条件分布を直接学習するフローベースパン共有ネットワーク(PanFlowNet)を提案する。
具体的には、この未知条件分布を可逆ネットワークによって与えられたガウス分布に変換し、条件分布を明示的に定義することができる。
そこで我々は,CACB(Invertible Conditional Affine Coupling Block)を設計し,一連のCACBを積み重ねてPanFlowNetのアーキテクチャを構築する。
最後に、PanFlowNetはトレーニングセットが与えられた条件分布のログ類似度を最大化してトレーニングされ、さまざまなHRMSイメージの予測に使用できる。
実験により,提案したPanFlowNetは,LRMS画像とPAN画像から様々なHRMS画像を生成することができることを確認した。
さらに,異なる種類の衛星データを用いた実験結果から,パンフローネットが視覚的および定量的に他の最先端手法と比較して優れていることを示した。
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) - Variational Zero-shot Multispectral Pansharpening [43.881891055500496]
Pansharpeningは、低空間分解能マルチスペクトル画像(LRMS)とパンクロマチック画像(PAN)を融合させて高空間分解能マルチスペクトル画像(HRMS)を生成することを目的としている。
既存のディープラーニングベースの手法は、多くのトレーニングペアに依存するため、適していない。
最適化対象にニューラルネットワークを導入することにより,ゼロショットパンスハーペン方式を提案する。
論文 参考訳（メタデータ） (2024-07-09T07:59:34Z) - PC-GANs: Progressive Compensation Generative Adversarial Networks for
Pan-sharpening [50.943080184828524]
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。
論文 参考訳（メタデータ） (2022-07-29T03:09:21Z) - 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) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z) - Fast and High-Quality Blind Multi-Spectral Image Pansharpening [48.68143888901669]
ブラインドパンスハーピングへの迅速なアプローチを提案し、最新の画像再構築品質を実現します。
速い盲目のpansharpeningを達成するために、私達はぼかしのカーネルおよびHRMSのイメージの解決を分離します。
アルゴリズムは計算時間と再構成品質の両面で最先端のモデルベースを上回っている。
論文 参考訳（メタデータ） (2021-03-17T23:12:14Z) - 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) - SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。
出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。
我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
論文 参考訳（メタデータ） (2020-06-25T06:34:04Z)
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。