論文の概要: Zero shot framework for satellite image restoration

• arxiv url: http://arxiv.org/abs/2306.02921v1
• Date: Mon, 5 Jun 2023 14:34:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 14:35:03.501269
• Title: Zero shot framework for satellite image restoration
• Title（参考訳）: 衛星画像復元のためのゼロショットフレームワーク
• Authors: Praveen Kandula and A. N. Rajagopalan
• Abstract要約: 衛星画像復元のための歪み分散と知識蒸留の枠組みを提案する。 我々のアルゴリズムでは、歪みした衛星画像の復元と、類似した意味を持つ参照画像の2つの画像しか必要としない。
• 参考スコア（独自算出の注目度）: 25.163783640750573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite images are typically subject to multiple distortions. Different factors affect the quality of satellite images, including changes in atmosphere, surface reflectance, sun illumination, viewing geometries etc., limiting its application to downstream tasks. In supervised networks, the availability of paired datasets is a strong assumption. Consequently, many unsupervised algorithms have been proposed to address this problem. These methods synthetically generate a large dataset of degraded images using image formation models. A neural network is then trained with an adversarial loss to discriminate between images from distorted and clean domains. However, these methods yield suboptimal performance when tested on real images that do not necessarily conform to the generation mechanism. Also, they require a large amount of training data and are rendered unsuitable when only a few images are available. We propose a distortion disentanglement and knowledge distillation framework for satellite image restoration to address these important issues. Our algorithm requires only two images: the distorted satellite image to be restored and a reference image with similar semantics. Specifically, we first propose a mechanism to disentangle distortion. This enables us to generate images with varying degrees of distortion using the disentangled distortion and the reference image. We then propose the use of knowledge distillation to train a restoration network using the generated image pairs. As a final step, the distorted image is passed through the restoration network to get the final output. Ablation studies show that our proposed mechanism successfully disentangles distortion.
• Abstract（参考訳）: 衛星画像は通常、複数の歪みを受ける。 異なる要因は、大気の変化、表面反射率、太陽の照度、測地線などの衛星画像の品質に影響し、下流タスクへの応用を制限する。 教師付きネットワークでは、ペアデータセットの可用性が強い仮定である。 その結果、この問題に対処するために多くの教師なしアルゴリズムが提案されている。 これらの手法は画像形成モデルを用いて分解画像の大規模なデータセットを合成的に生成する。 ニューラルネットワークは、歪んだドメインとクリーンなドメインからイメージを区別するために、敵対的損失で訓練される。 しかし、これらの手法は生成機構に必ずしも適合しない実画像上でテストした場合に最適でない性能をもたらす。 また、大量のトレーニングデータが必要であり、数枚の画像しか利用できない場合、不適当にレンダリングされる。 これらの課題に対処するために,衛星画像復元のための歪み分散と知識蒸留の枠組みを提案する。 我々のアルゴリズムは2つの画像のみを必要とする:歪んだ衛星画像の復元と類似した意味を持つ参照画像。 具体的には、まず歪みを歪めるメカニズムを提案する。 これにより、歪みや基準画像を用いて、歪みの度合いの異なる画像を生成することができる。 次に, 生成画像対を用いた復元ネットワークの訓練における知識蒸留の利用を提案する。 最後のステップとして、歪んだ画像が復元ネットワークを通過して最終的な出力を得る。 アブレーション研究により,提案機構は歪みを歪めることに成功した。

関連論文リスト

• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• SIDAR: Synthetic Image Dataset for Alignment & Restoration [2.9649783577150837]
  エンドツーエンドのディープラーニングモデルのトレーニングと評価に十分なデータを提供するデータセットが不足している。 提案したデータ拡張は,3次元レンダリングを用いてデータの不足を克服するのに役立つ。 得られたデータセットは、画像アライメントとアーティファクト削除を含むさまざまなタスクのトレーニングと評価セットとして機能する。
  論文  参考訳（メタデータ） (2023-05-19T23:32:06Z)
• Compressive Sensing with Tensorized Autoencoder [22.89029876274012]
  多くの場合、コレクション内の異なるイメージは互いに明瞭なバージョンである。 本研究の目的は,データに先行する構造として,接地木(クリーン)画像にアクセスすることなく画像の復元を行うことである。 本稿では,データに構造的制約を課すために,埋め込み空間上でテンソルリングの分解を施したオートエンコーダを学習することを提案する。
  論文  参考訳（メタデータ） (2023-03-10T22:59:09Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Generative and Discriminative Learning for Distorted Image Restoration [22.230017059874445]
  Liquifyは、画像の歪みに使用できる画像編集のテクニックである。 本稿では,深層ニューラルネットワークに基づく新しい生成的・識別的学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-11T14:01:29Z)
• Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
  このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。 乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T15:25:08Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
  本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。 深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
  論文  参考訳（メタデータ） (2020-03-30T17:45:07Z)

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。