論文の概要: Noise2Noise Denoising of CRISM Hyperspectral Data
- arxiv url: http://arxiv.org/abs/2403.17757v1
- Date: Tue, 26 Mar 2024 14:49:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 14:58:20.352875
- Title: Noise2Noise Denoising of CRISM Hyperspectral Data
- Title（参考訳）: CRISMハイパースペクトルデータのノイズ2ノイズ
- Authors: Robert Platt, Rossella Arcucci, Cédric John,
- Abstract要約: ノイズ2ノイズ4Mars (N2N4M) はCRISM画像からノイズを取り除くために導入された。
我々のモデルは自己教師型であり、ゼロノイズ対象データを必要としない。
これにより、提案された着陸地点を含む火星表面における重要な場所の詳細な分析が可能になる。
- 参考スコア（独自算出の注目度）: 6.502987568800912
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral data acquired by the Compact Reconnaissance Imaging Spectrometer for Mars (CRISM) have allowed for unparalleled mapping of the surface mineralogy of Mars. Due to sensor degradation over time, a significant portion of the recently acquired data is considered unusable. Here a new data-driven model architecture, Noise2Noise4Mars (N2N4M), is introduced to remove noise from CRISM images. Our model is self-supervised and does not require zero-noise target data, making it well suited for use in Planetary Science applications where high quality labelled data is scarce. We demonstrate its strong performance on synthetic-noise data and CRISM images, and its impact on downstream classification performance, outperforming benchmark methods on most metrics. This allows for detailed analysis for critical sites of interest on the Martian surface, including proposed lander sites.
- Abstract（参考訳）: CRISM (Compact Reconnaissance Imaging Spectrometer for Mars) が取得したハイパースペクトルデータにより、火星の表面鉱物学の非並列マッピングが可能となった。
センサの劣化により、最近取得したデータのかなりの部分は利用できないと考えられる。
ここでは、CRISM画像からノイズを取り除くために、新しいデータ駆動型モデルアーキテクチャであるNoss2Noise4Mars (N2N4M)を導入する。
我々のモデルは自己教師型であり、ゼロノイズ対象データを必要としないため、高品質なラベル付きデータが不足している惑星科学アプリケーションでの使用に適している。
合成ノイズデータとCRISM画像に強い性能を示し、下流分類性能に影響を及ぼし、ほとんどの指標においてベンチマーク手法よりも優れた性能を示す。
これにより、提案された着陸地点を含む火星表面における重要な場所の詳細な分析が可能になる。
関連論文リスト
- A Real Benchmark Swell Noise Dataset for Performing Seismic Data Denoising via Deep Learning [34.163242023030016]
本稿では, 実データ上に実装されたフィルタリングプロセスから抽出したノイズにより, 合成地震データからなるベンチマークデータセットを提案する。
地震探査のための新しいソリューションの開発を加速するためのベンチマークとして提案されている。
その結果, DLモデルは地震探査に有効であることがわかったが, 未解決の問題も残されている。
論文 参考訳（メタデータ） (2024-10-02T13:06:18Z) - NIR-Assisted Image Denoising: A Selective Fusion Approach and A Real-World Benchmark Dataset [53.79524776100983]
近赤外(NIR)画像を活用して、視認可能なRGB画像の復調を支援することで、この問題に対処する可能性を示している。
既存の作品では、NIR情報を効果的に活用して現実のイメージを飾ることに苦戦している。
先進デノナイジングネットワークにプラグイン・アンド・プレイ可能な効率的な選択核融合モジュール(SFM)を提案する。
論文 参考訳（メタデータ） (2024-04-12T14:54:26Z) - 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) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - S$^{5}$Mars: Semi-Supervised Learning for Mars Semantic Segmentation [18.92602724896845]
火星のセマンティックセグメンテーションは、ローバーの自律計画と安全な運転の基盤である重要な火星ビジョンタスクである。
優れたモデルを得るためには、ほとんどのディープラーニングメソッドが正確に要求する、十分な詳細かつ高信頼のデータアノテーションが欠如している。
本稿では,共同データと手法設計の観点からその解決策を提案する。
実験結果から,本手法は最先端のSSL手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-07-04T05:03:10Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Automatic Feature Highlighting in Noisy RES Data With CycleGAN [0.0]
電波エコー (RES) は、地下の氷河イメージングでよく用いられる技法であり、基盤となる岩石や氷の知見を提供する。
研究者は、多くの場合、手動による解釈とフィルタリング技術を組み合わせて、データを識別する。
完全な畳み込みネットワークはレーダグラムの層の境界を特定するための自動化された代替手段として提案されている。
そこで本稿では,GANモデルを用いて層境界をノイズで補間し,2次元の氷河RESデータで層をハイライトする手法を提案する。
論文 参考訳（メタデータ） (2021-08-25T15:03:47Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-03-17T15:20:25Z) - Self-Supervised Poisson-Gaussian Denoising [1.957338076370071]
我々は、ポアソン・ガウス雑音に対処するために、自己教師付き認知のための盲点モデルを拡張する。
本稿では,顕微鏡画像の標準ノイズモデルであるPoisson-Gaussianノイズを扱うための新しいトレーニング手法を提案する。
パフォーマンスを向上させるために、テストデータにデノイザをどのように適用できるかを示します。
論文 参考訳（メタデータ） (2020-02-21T21:34:33Z)
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。