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
- 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) - BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。
BlindDiffはMAPベースの最適化をDMにシームレスに統合する。
合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文 参考訳(メタデータ) (2024-03-15T11:21:34Z) - SIRAN: Sinkhorn Distance Regularized Adversarial Network for DEM
Super-resolution using Discriminative Spatial Self-attention [5.178465447325005]
DEM(Digital Elevation Model)は、リモートセンシング領域において、表面標高情報に関連するさまざまなアプリケーションを分析し、探索するための重要な側面である。
本研究では,高分解能マルチスペクトル(MX)衛星画像を用いた高分解能DEMの生成について検討する。
本稿では,Sinkhorn 距離を従来の GAN に最適化することで,対角学習の安定性を向上する目的関数を提案する。
論文 参考訳(メタデータ) (2023-11-27T12:03:22Z) - 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) - SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models [66.67616086310662]
拡散確率モデル(DPM)は生成タスクでかなりの成功を収めた。
DPM からのサンプリングは、時間を要する拡散 SDE や ODE の解法と等価であるため、改良された微分方程式解法に基づく多数の高速サンプリング手法が提案されている。
拡散SDEを解くための効率の良いAdams法であるSA-of-rを提案する。
論文 参考訳(メタデータ) (2023-09-10T12:44:54Z) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳(メタデータ) (2023-03-29T07:02:20Z) - Face Super-Resolution Using Stochastic Differential Equations [1.724088622269304]
連続時間への拡散モデルを一般化するために微分方程式(SDE)を導入する。
このようなアプリケーションにSDEが使われるのはこれが初めてです。
一般的な顔特徴抽出器を用いて、超解像度画像と地上の真実を比較する。
論文 参考訳(メタデータ) (2022-09-24T18:26:06Z) - Look Back and Forth: Video Super-Resolution with Explicit Temporal
Difference Modeling [105.69197687940505]
本稿では,LR空間とHR空間における時間差の明示的モデル化の役割について検討する。
超解像結果をさらに高めるために、空間残留特徴を抽出するだけでなく、高周波領域における連続フレーム間の差も計算する。
論文 参考訳(メタデータ) (2022-04-14T17:07:33Z) - MMD-ReID: A Simple but Effective Solution for Visible-Thermal Person
ReID [20.08880264104061]
本稿では,モダリティギャップを明示的な差分低減制約によって低減する,シンプルで効果的なMDD-ReIDを提案する。
我々はMDD-ReIDの有効性を定性的かつ定量的に実証するための広範囲な実験を行った。
提案手法は,SYSU-MM01およびRegDBデータセットにおける最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2021-11-09T11:33:32Z) - Accurate and Lightweight Image Super-Resolution with Model-Guided Deep
Unfolding Network [63.69237156340457]
我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。
MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。
RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
論文 参考訳(メタデータ) (2020-09-14T08:23:37Z) - Feedback Neural Network based Super-resolution of DEM for generating
high fidelity features [4.722870664660785]
低分解能DEMに繰り返し高頻度の詳細を追加することを学習する新しいニューラルネットワークアーキテクチャを提案する。
我々のネットワークDSRFBは、4つの異なるデータセットにわたるRMSEの0.59から1.27を達成する。
論文 参考訳(メタデータ) (2020-07-03T21:10:19Z)
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。