論文の概要: PanBench: Towards High-Resolution and High-Performance Pansharpening
- arxiv url: http://arxiv.org/abs/2311.12083v1
- Date: Mon, 20 Nov 2023 10:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 03:23:36.859588
- Title: PanBench: Towards High-Resolution and High-Performance Pansharpening
- Title（参考訳）: PanBench: ハイリゾリューションと高性能パンシャーピングを目指して
- Authors: Shiying Wang, Xuechao Zou, Kai Li, Junliang Xing, Pin Tao
- Abstract要約: パンシャーペニングでは、高解像度のマルチスペクトル画像と高解像度のパンクロマティック画像を統合することで、高解像度で多スペクトル情報を保持するイメージを合成する。
本稿では,主眼衛星を含む高解像度マルチシーンデータセットであるPanBenchを紹介する。
高忠実度合成を実現するために,Pansharpening のための Cascaded Multiscale Fusion Network (CMFNet) を提案する。
- 参考スコア（独自算出の注目度）: 16.16122045172545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pansharpening, a pivotal task in remote sensing, involves integrating
low-resolution multispectral images with high-resolution panchromatic images to
synthesize an image that is both high-resolution and retains multispectral
information. These pansharpened images enhance precision in land cover
classification, change detection, and environmental monitoring within remote
sensing data analysis. While deep learning techniques have shown significant
success in pansharpening, existing methods often face limitations in their
evaluation, focusing on restricted satellite data sources, single scene types,
and low-resolution images. This paper addresses this gap by introducing
PanBench, a high-resolution multi-scene dataset containing all mainstream
satellites and comprising 5,898 pairs of samples. Each pair includes a
four-channel (RGB + near-infrared) multispectral image of 256x256 pixels and a
mono-channel panchromatic image of 1,024x1,024 pixels. To achieve high-fidelity
synthesis, we propose a Cascaded Multiscale Fusion Network (CMFNet) for
Pansharpening. Extensive experiments validate the effectiveness of CMFNet. We
have released the dataset, source code, and pre-trained models in the
supplementary, fostering further research in remote sensing.
- Abstract（参考訳）: リモートセンシングにおける重要なタスクであるPansharpeningは、高解像度のマルチスペクトル画像と高解像度のパンクロマティック画像を統合することで、高解像度でマルチスペクトル情報を保持するイメージを合成する。
これらのパンシャープ化画像は、リモートセンシングデータ解析における土地被覆分類、変化検出、環境モニタリングの精度を高める。
ディープラーニング技術は、パンシャープ化で大きな成功を収めているが、既存の手法は、衛星データソース、単一シーンタイプ、低解像度画像に限定して、評価の限界に直面することが多い。
本論文は,主眼衛星すべてを含む高分解能マルチシーンデータセットであるPanBenchを導入し,5,898対のサンプルを作成した。
各ペアは256x256ピクセルの4チャンネル(RGB + 近赤外線)マルチスペクトル画像と1,024x1,024ピクセルの単チャネルパンクロマティック画像を含む。
高忠実度合成を実現するために,Pansharpening のための Cascaded Multiscale Fusion Network (CMFNet) を提案する。
cmfnetの有効性を検証する広範な実験。
補足でデータセット、ソースコード、事前訓練されたモデルをリリースし、リモートセンシングのさらなる研究を奨励しました。
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) - Hyperspectral Pansharpening: Critical Review, Tools and Future Perspectives [23.833438162665715]
高分解能パンクロマティックバンドと低分解能ハイパースペクトル画像とを融合させて、空間領域とスペクトル領域の両方で高分解能の画像を得る。
本稿では,新しい手法の迅速な開発と正確な評価のための包括的枠組みの欠如に対処する。
論文 参考訳（メタデータ） (2024-07-01T15:10:50Z) - Deep dual stream residual network with contextual attention for
pansharpening of remote sensing images [2.210012031884757]
本稿では,新しい2重注意型2ストリームネットワークを提案する。
まず、両方の画像に対して2つの別々のネットワークを使って特徴抽出し、抽出した特徴を再分類するアテンション機構を備えたエンコーダから始める。
次に、コンパクトな表現を形成する特徴を画像再構成ネットワークに融合してパンシャーペン画像を生成する。
論文 参考訳（メタデータ） (2022-07-25T09:28:11Z) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳（メタデータ） (2022-05-07T23:40:36Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。
我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。
MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
論文 参考訳（メタデータ） (2021-12-01T02:10:42Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z) - Learning deep multiresolution representations for pansharpening [4.469255274378329]
本稿では,異なるスケールでスペクトル特性と空間特性を保持するピラミッド型深層融合フレームワークを提案する。
実験により,提案手法はアートパンシャープニングモデルよりも優れていることが示唆された。
論文 参考訳（メタデータ） (2021-02-16T19:41:57Z) - Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。
我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。
実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文 参考訳（メタデータ） (2021-01-26T18:57:21Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z) - Super-resolution of multispectral satellite images using convolutional
neural networks [0.0]
本稿では,高分解能マルチスペクトルと高分解能パンシャーペン画像タイルのペアを用いた最先端CNNの訓練手法を提案する。
得られた品質指標は,処理した画像の情報内容を改善する方法を示している。
論文 参考訳（メタデータ） (2020-02-03T07:06:36Z)
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。