論文の概要: Generate Your Own Scotland: Satellite Image Generation Conditioned on Maps

• arxiv url: http://arxiv.org/abs/2308.16648v1
• Date: Thu, 31 Aug 2023 11:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 14:44:26.673744
• Title: Generate Your Own Scotland: Satellite Image Generation Conditioned on Maps
• Title（参考訳）: スコットランドの衛星画像の生成:地図で条件づけ
• Authors: Miguel Espinosa, Elliot J. Crowley
• Abstract要約: 本研究では,現在最先端の事前学習拡散モデルが地図データ上で条件付けされ,現実的な衛星画像が生成可能であることを示す。 2つの大きなOpenStreetMapイメージのデータセットと、メインランド・スコットランドとセントラル・ベルト地域の衛星ビューを提供する。
• 参考スコア（独自算出の注目度）: 5.49341063007719
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite recent advancements in image generation, diffusion models still remain largely underexplored in Earth Observation. In this paper we show that state-of-the-art pretrained diffusion models can be conditioned on cartographic data to generate realistic satellite images. We provide two large datasets of paired OpenStreetMap images and satellite views over the region of Mainland Scotland and the Central Belt. We train a ControlNet model and qualitatively evaluate the results, demonstrating that both image quality and map fidelity are possible. Finally, we provide some insights on the opportunities and challenges of applying these models for remote sensing. Our model weights and code for creating the dataset are publicly available at https://github.com/miquel-espinosa/map-sat.
• Abstract（参考訳）: 最近の画像生成の進歩にもかかわらず、拡散モデルはまだ地球観測においてほとんど未調査のままである。 本稿では,現在最先端の事前学習拡散モデルを地図データに条件付けして,現実的な衛星画像を生成する方法を示す。 2つの大きなOpenStreetMapイメージのデータセットと、メインランド・スコットランドとセントラル・ベルト地域の衛星ビューを提供する。 ControlNetモデルをトレーニングし、その結果を質的に評価し、画像の品質とマップの忠実度の両方が可能であることを示す。 最後に,これらのモデルをリモートセンシングに適用する機会と課題について,いくつかの知見を提供する。 データセットを作成するためのモデルウェイトとコードは、https://github.com/miquel-espinosa/map-satで公開されています。

関連論文リスト

• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Sat2Scene: 3D Urban Scene Generation from Satellite Images with Diffusion [77.34078223594686]
  本稿では,3次元スパース表現に拡散モデルを導入し,それらをニューラルレンダリング技術と組み合わせることで,直接3次元シーン生成のための新しいアーキテクチャを提案する。 具体的には、まず3次元拡散モデルを用いて、所定の幾何学の点レベルのテクスチャ色を生成し、次にフィードフォワード方式でシーン表現に変換する。 2つの都市規模データセットを用いた実験により,衛星画像から写真リアルなストリートビュー画像シーケンスとクロスビュー都市シーンを生成する能力を示した。
  論文  参考訳（メタデータ） (2024-01-19T16:15:37Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  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)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Image to Image Translation : Generating maps from satellite images [18.276666800052006]
  衛星画像を対応する地図に変換するために画像から画像への変換を用いる。 生成対向ネットワーク、条件対向ネットワーク、共変オートエンコーダを用いる。 我々は、偽画像を生成するジェネレータモデルからなる条件付き生成適応ネットワークでモデルを訓練している。
  論文  参考訳（メタデータ） (2021-05-19T16:58:04Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• Procedural 3D Terrain Generation using Generative Adversarial Networks [0.0]
  我々はGAN(Generative Adversarial Networks)を用いて、衛星やドローンが捉えた風景のリモートセンシング画像の分布に基づいて、現実的な3D環境を作り出す。 我々は、トレーニング中に提供されるリモートセンシングされた景観に関連して、高所分布と彩色が可能な3次元景観を構築することができる。
  論文  参考訳（メタデータ） (2020-10-13T14:15:10Z)
• Model Generalization in Deep Learning Applications for Land Cover Mapping [19.570391828806567]
  深層学習モデルが特定の大陸/シリーズのデータに基づいて訓練される場合,サンプル外大陸/シリーズのモデル性能に高いばらつきがあることが示される。 これは、モデルがひとつの大陸や季節における土地利用クラスを正確に予測するからといって、異なる大陸や季節における土地利用クラスを正確に予測するという意味ではないことを示唆している。
  論文  参考訳（メタデータ） (2020-08-09T01:50:52Z)
• Segmentation of Satellite Imagery using U-Net Models for Land Cover Classification [2.28438857884398]
  本稿では,衛星画像に基づく土地被覆分類マップを作成するために,U-Net構造を改良した畳み込み機械学習モデルを用いた。 本研究の目的は、自動土地被覆マッピングのための畳み込みモデルの訓練と試験を行い、土地被覆マッピングの精度向上と変更検出における使用性を評価することである。
  論文  参考訳（メタデータ） (2020-03-05T20:07:48Z)

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。