論文の概要: Diffusion Model Based Low-Light Image Enhancement for Space Satellite
- arxiv url: http://arxiv.org/abs/2306.14227v1
- Date: Sun, 25 Jun 2023 12:15:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 16:02:22.855683
- Title: Diffusion Model Based Low-Light Image Enhancement for Space Satellite
- Title(参考訳): 拡散モデルに基づく宇宙衛星の低照度画像強調
- Authors: Yiman Zhu, Lu Wang, Jingyi Yuan and Yu Guo
- Abstract要約: 空間型可視カメラは、近接操作時の空間状況認識のための重要なセンサである。
ディープラーニングのアプローチは、自然画像の画質向上において顕著な成功を収めてきたが、データボトルネックのため、宇宙にはほとんど適用されない。
拡散モデルに基づく空間環境におけるスピンターゲットの低照度画像強調(LLIE)のためのデータ駆動手法を提案する。
- 参考スコア(独自算出の注目度): 7.012255171272397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Space-based visible camera is an important sensor for space situation
awareness during proximity operations. However, visible camera can be easily
affected by the low illumination in the space environment. Recently, deep
learning approaches have achieved remarkable success in image enhancement of
natural images datasets, but seldom applied in space due to the data
bottleneck. In this article, we propose a data-driven method for low-light
image enhancement (LLIE) of spin targets in space environment based on
diffusion model. Firstly, a dataset collection scheme is devised. To reduce the
domain gap and improve the diversity and quality of the dataset, we collect the
data with the camera on a ground-test system imitating the low lighting
conditions and relative attitude change of satellite in space. The satellite
motion is controlled by a 6-DoF robot. To generate different poses, a advanced
sampling method is combined with collision detection in physical simulation.
The entire process is automated. Based on our dataset, a novel diffusion model
is proposed. The diffusion and denoising process are directly conducted on the
grayscale channel to save computational resources. To take advantage of the
inner information of RGB channels, we rescale the RGB feature maps and insert
them into the downsampling layers to help feature extraction. The enhanced
results with our method have been verified to be better in image light
enhancement and competitive in image quality compared with previous methods. To
the best of our knowledge, this is the first work of LLIE using diffusion
model.
- Abstract(参考訳): 空間型可視カメラは、近接操作時の空間状況認識のための重要なセンサである。
しかし、可視カメラは宇宙環境の低照度化によって容易に影響を受ける。
近年,自然画像データセットの画像エンハンスメントにおいて,ディープラーニングのアプローチが目覚ましい成功を収めているが,データボトルネックのため空間に適用されることはほとんどない。
本稿では,拡散モデルに基づく空間環境におけるスピンターゲットの低照度画像強調(LLIE)のためのデータ駆動手法を提案する。
まず、データセット収集方式を考案する。
エリアギャップを低減し、データセットの多様性と品質を向上させるため、低照度条件と宇宙における衛星の相対的姿勢変化を模倣した地上試験システム上で、カメラによるデータを収集する。
衛星の動きは6-DoFロボットによって制御される。
異なるポーズを生成するために、物理シミュレーションにおいて高度なサンプリング法と衝突検出を併用する。
プロセス全体が自動化されます。
本データセットに基づいて,新しい拡散モデルを提案する。
拡散と分別処理はgrayscaleチャネル上で直接行われ、計算資源を節約する。
RGBチャネルの内部情報を活用するために、RGB機能マップを再スケールし、それらをダウンサンプリング層に挿入して特徴抽出を支援する。
提案手法では, 従来手法と比較して, 画像光の強調や画質の競争性が向上することが確認された。
我々の知る限りでは、これは拡散モデルを用いたLLIEの最初の作品である。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [66.0062252900165]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳(メタデータ) (2023-12-06T16:53:17Z) - Taming Latent Diffusion Models to See in the Dark [65.6004750218506]
LDM-SIDは,提案するテーピングモジュールの集合を凍結した事前学習拡散モデルに挿入し,生成過程を制御することを目的としている。
入力されたRAW画像に2次元離散ウェーブレット変換を適用し、LLIEタスクを低周波コンテンツ生成と高周波ディテールメンテナンスという2つの重要な部分に分割する。
論文 参考訳(メタデータ) (2023-12-02T04:31:51Z) - Deformable Neural Radiance Fields using RGB and Event Cameras [65.40527279809474]
我々は,RGBとイベントカメラを用いた変形可能なニューラル放射場をモデル化する新しい手法を開発した。
提案手法は,イベントの非同期ストリームと疎RGBフレームを用いる。
現実的にレンダリングされたグラフィックと実世界のデータセットの両方で実施された実験は、提案手法の有益性を実証している。
論文 参考訳(メタデータ) (2023-09-15T14:19:36Z) - Combining multi-spectral data with statistical and deep-learning models
for improved exoplanet detection in direct imaging at high contrast [39.90150176899222]
太陽系外惑星の信号は、いくつかの観測と専用の検出アルゴリズムを組み合わせることでのみ識別できる。
我々は,観測結果から直接,ニュアンスの空間的,時間的,スペクトル的特性のモデルを学ぶ。
その後、畳み込みニューラルネットワーク(CNN)が教師ありの方法で訓練され、合成源の残像を検出する。
論文 参考訳(メタデータ) (2023-06-21T13:42:07Z) - A Simulation-Augmented Benchmarking Framework for Automatic RSO Streak
Detection in Single-Frame Space Images [7.457841062817294]
大規模データセットが利用可能な場合、ディープ畳み込みニューラルネットワーク(DCNN)は、オブジェクト検出において優れたパフォーマンスを示している。
RSO検出のための新しいシミュレーション強化ベンチマークフレームワーク(SAB-RSOD)を紹介する。
本フレームワークでは,実空間画像をキャプチャするセンサのハードウェアパラメータを最大限に活用することにより,まず高忠実度RSOシミュレータを開発する。
次に,このシミュレータを用いて宇宙空間に多彩なROSを含む画像を生成し,自動的に注釈を付ける。
論文 参考訳(メタデータ) (2023-04-30T07:00:16Z) - Better "CMOS" Produces Clearer Images: Learning Space-Variant Blur
Estimation for Blind Image Super-Resolution [30.816546273417774]
我々は、空のぼかしを持つ2つの新しいデータセット、すなわちNYUv2-BSRとCityscapes-BSRを導入する。
データセットに基づいて,ブラーとセマンティクスを同時に推定するクロスモーダルファシオンネットワーク(CMOS)を設計する。
論文 参考訳(メタデータ) (2023-04-07T08:40:31Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳(メタデータ) (2022-12-22T09:05:07Z) - Improving Building Segmentation for Off-Nadir Satellite Imagery [16.747041713724066]
建築セグメンテーションは衛星画像解析とシーン理解にとって重要な課題である。
本研究では,広範囲なオフナダーアングルから撮影した衛星画像に対して,正確なビルディングセグメンテーションを実現する手法を提案する。
論文 参考訳(メタデータ) (2021-09-08T22:55:16Z) - Low Light Image Enhancement via Global and Local Context Modeling [164.85287246243956]
低照度画像強調のためのコンテキスト認識ディープネットワークを導入。
まず、全空間領域上の補完的な手がかりを見つけるために空間相関をモデル化するグローバルコンテキストモジュールを特徴とする。
第二に、比較的大きな受容フィールドで局所的なコンテキストをキャプチャする密な残留ブロックを導入する。
論文 参考訳(メタデータ) (2021-01-04T09:40:54Z)
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。