論文の概要: Efficient Stochastic Differential Equation for DEM Super Resolution with Void Filling

• arxiv url: http://arxiv.org/abs/2407.01908v1
• Date: Tue, 2 Jul 2024 03:13:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 16:53:49.201062
• Title: Efficient Stochastic Differential Equation for DEM Super Resolution with Void Filling
• Title（参考訳）: ボイドフィリングを用いたDEM超解の確率微分方程式
• Authors: Tongtong Zhang, Zongcheng Zuo, Yuanxiang Li,
• Abstract要約: DEM(Digital Elevation Model)はリモートセンシングやフォトグラム計測において基本的な役割を担う。 既存のアプローチは、DEMヴォイドを埋めるか、あるいは無傷のDEMに超解像を適用することだけを目的としている。 本稿では,ヴォイド問題と低分解能問題とを同時に扱う統合生成モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital Elevation Model (DEM) plays a fundamental role in remote sensing and photogrammetry. Enhancing the quality of DEM is crucial for various applications. Although multiple types of defects may appear simultaneously in the same DEM, they are commonly addressed separately. Most existing approaches only aim to fill the DEM voids, or apply super-resolution to the intact DEM. This paper introduces a unified generative model that simultaneously addresses voids and low-resolution problems, rather than taking two separate measures. The proposed approach presents the DEM Stochastic Differential Equation (DEM-SDE) for unified DEM quality enhancement. The DEM degradation of downsampling and random voids adding is modeled as the SDE forwarding, and the restoration is achieved by simulating the corresponding revert process. Conditioned on the terrain feature, and adopting efficient submodules with lightweight channel attention, DEM-SDE simultaneously enhances the DEM quality with an efficient process for training. The experiments show that DEM-SDE method achieves highly competitive performance in simultaneous super-resolution and void filling compared to the state-of-the-art work. DEM-SDE also manifests robustness for larger DEM patches.
• Abstract（参考訳）: DEM(Digital Elevation Model)はリモートセンシングやフォトグラム計測において基本的な役割を担う。 DEMの品質を高めることは、様々なアプリケーションにとって非常に重要です。 複数のタイプの欠陥が同じDEMに同時に現れることがあるが、それらは一般的に別々に扱われる。 既存のほとんどのアプローチは、DEMヴォイドを埋めるか、あるいは無傷のDEMに超解像を適用することだけを目的としている。 本稿では,2つの異なる測度を取らずに,ヴォイドと低分解能の問題を同時に扱う統一生成モデルを提案する。 提案手法はDEM品質向上のためのDEM確率微分方程式(DEM-SDE)を提案する。 ダウンサンプリングおよびランダムヴォイド付加のDEM劣化をSDEフォワードとしてモデル化し、対応する逆転過程をシミュレートして復元を行う。 DEM-SDEは、地形の特徴を前提として、軽量なチャネルアテンションを持つ効率的なサブモジュールを採用するとともに、DEMの品質をトレーニングの効率よく向上させる。 実験により,DEM-SDE法は,最先端技術と比較して,超解像と空隙の同時充填において高い競争性能を発揮することが示された。 DEM-SDEはより大きなDEMパッチに対して堅牢性を示す。

関連論文リスト

• Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
  マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。 本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-25T09:26:34Z)
• LE-PDE++: Mamba for accelerating PDEs Simulations [4.7505178698234625]
  PDEの潜在進化法は、古典的および深層学習に基づくPDEソルバの計算強度に対処するように設計されている。 本手法は, LE-PDEと比較して推定速度を2倍にし, パラメータ効率を同じレベルに維持する。
  論文  参考訳（メタデータ） (2024-11-04T09:04:11Z)
• Entropic Regression DMD (ERDMD) Discovers Informative Sparse and Nonuniformly Time Delayed Models [0.0]
  エントロピー回帰を用いた最適多段階動的モード分解モデルを決定する手法を提案する。 非一様時間空間を実現するために,高忠実度時間遅延MDDモデルを生成する手法を開発した。 これらのモデルは、非常に効率的で堅牢であることが示されている。
  論文  参考訳（メタデータ） (2024-06-17T20:02:43Z)
• AROMA: Preserving Spatial Structure for Latent PDE Modeling with Local Neural Fields [14.219495227765671]
  本稿では、局所的なニューラルネットワークを用いた偏微分方程式(PDE)のモデリングを強化するためのフレームワークであるAROMAを提案する。 我々のフレキシブルエンコーダ・デコーダアーキテクチャは、様々なデータタイプから空間物理場のスムーズな遅延表現を得ることができる。 拡散型定式化を用いることで、従来のMSEトレーニングと比較して安定性が向上し、ロールアウトが長くなる。
  論文  参考訳（メタデータ） (2024-06-04T10:12:09Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• Learning Space-Time Continuous Neural PDEs from Partially Observed States [13.01244901400942]
  格子独立モデル学習偏微分方程式(PDE)を雑音および不規則格子上の部分的な観測から導入する。 本稿では、効率的な確率的フレームワークとデータ効率とグリッド独立性を改善するための新しい設計エンコーダを備えた時空間連続型ニューラルネットワークPDEモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-09T06:53:59Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Neural Delay Differential Equations: System Reconstruction and Image Classification [14.59919398960571]
  我々はニューラル遅延微分方程式 (Neural Delay Differential Equations, NDDEs) という,遅延を伴う連続深度ニューラルネットワークの新しいクラスを提案する。 NODE と比較して、NDDE はより強い非線形表現能力を持つ。 我々は、合成されたデータだけでなく、よく知られた画像データセットであるCIFAR10に対しても、損失の低減と精度の向上を実現している。
  論文  参考訳（メタデータ） (2023-04-11T16:09:28Z)
• Learning to Accelerate Partial Differential Equations via Latent Global Evolution [64.72624347511498]
  The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。 我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。 更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
  論文  参考訳（メタデータ） (2022-06-15T17:31:24Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
  深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。 所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。 実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
  論文  参考訳（メタデータ） (2020-03-06T23:11:13Z)

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。