論文の概要: X-Fake: Juggling Utility Evaluation and Explanation of Simulated SAR Images

• arxiv url: http://arxiv.org/abs/2407.19436v1
• Date: Sun, 28 Jul 2024 09:27:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 18:12:26.189027
• Title: X-Fake: Juggling Utility Evaluation and Explanation of Simulated SAR Images
• Title（参考訳）: X-Fake:シミュレートされたSAR画像の実用性評価と説明をジャグリングする
• Authors: Zhongling Huang, Yihan Zhuang, Zipei Zhong, Feng Xu, Gong Cheng, Junwei Han,
• Abstract要約: 実データと模擬データの分散不整合性は、シミュレーションSAR画像の有用性に影響を与える主な障害である。 本稿では,X-Fake で表されるSAR画像の擬似的な説明を初めて行うことで,信頼性の高い実用性評価フレームワークを提案する。 提案手法は、電磁モデルから得られた4つのシミュレーションSAR画像データセットと、生成人工知能アプローチに基づいて検証される。
• 参考スコア（独自算出の注目度）: 49.546627070454456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SAR image simulation has attracted much attention due to its great potential to supplement the scarce training data for deep learning algorithms. Consequently, evaluating the quality of the simulated SAR image is crucial for practical applications. The current literature primarily uses image quality assessment techniques for evaluation that rely on human observers' perceptions. However, because of the unique imaging mechanism of SAR, these techniques may produce evaluation results that are not entirely valid. The distribution inconsistency between real and simulated data is the main obstacle that influences the utility of simulated SAR images. To this end, we propose a novel trustworthy utility evaluation framework with a counterfactual explanation for simulated SAR images for the first time, denoted as X-Fake. It unifies a probabilistic evaluator and a causal explainer to achieve a trustworthy utility assessment. We construct the evaluator using a probabilistic Bayesian deep model to learn the posterior distribution, conditioned on real data. Quantitatively, the predicted uncertainty of simulated data can reflect the distribution discrepancy. We build the causal explainer with an introspective variational auto-encoder to generate high-resolution counterfactuals. The latent code of IntroVAE is finally optimized with evaluation indicators and prior information to generate the counterfactual explanation, thus revealing the inauthentic details of simulated data explicitly. The proposed framework is validated on four simulated SAR image datasets obtained from electromagnetic models and generative artificial intelligence approaches. The results demonstrate the proposed X-Fake framework outperforms other IQA methods in terms of utility. Furthermore, the results illustrate that the generated counterfactual explanations are trustworthy, and can further improve the data utility in applications.
• Abstract（参考訳）: SAR画像シミュレーションは、ディープラーニングアルゴリズムの訓練データ不足を補う大きな可能性を秘めているため、多くの注目を集めている。 その結果,シミュレートされたSAR画像の品質評価は実用化に不可欠である。 現在の文献は、主に人間の観察者の知覚に依存する評価に画像品質評価技術を使用している。 しかし、SARのユニークなイメージング機構のため、これらの手法は完全には有効ではない評価結果が得られる可能性がある。 実データと模擬データの分散不整合性は、シミュレーションSAR画像の有用性に影響を与える主な障害である。 そこで本研究では,X-Fake で表されるSAR画像の擬似的説明を初めて行う,信頼性の高い実用性評価フレームワークを提案する。 確率的評価器と因果説明器を一体化し、信頼できる実用性評価を実現する。 本研究では,確率的ベイズ深度モデルを用いて評価器を構築し,実データに基づく後部分布の学習を行う。 定量的に、シミュレーションデータの予測された不確実性は、分布の相違を反映することができる。 因果説明器をイントロスペクティブな変分自動エンコーダで構築し,高分解能な反事実を生成する。 IntroVAEの潜伏コードは、最終的に評価指標と事前情報で最適化され、結果、シミュレーションされたデータの不正確な詳細が明らかになる。 提案手法は、電磁モデルから得られた4つのシミュレーションSAR画像データセットと、生成人工知能アプローチに基づいて検証される。 提案するX-Fakeフレームワークは,他のIQA手法よりも実用性が高いことを示す。 さらに,本研究の結果から,生成した反事実的説明は信頼性が高く,アプリケーションにおけるデータ有用性をさらに向上させる可能性が示唆された。

関連論文リスト

• Are NeRFs ready for autonomous driving? Towards closing the real-to-simulation gap [6.393953433174051]
  本稿では,実際のデータギャップに対処するための新しい視点を提案する。 自律運転環境における実シミュレーションデータギャップの大規模調査を初めて実施する。 シミュレーションデータに対するモデルロバスト性は顕著に向上し,実世界の性能も向上した。
  論文  参考訳（メタデータ） (2024-03-24T11:09:41Z)
• On quantifying and improving realism of images generated with diffusion [50.37578424163951]
  与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。 我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。 このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
  論文  参考訳（メタデータ） (2023-09-26T08:32:55Z)
• 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)
• MDN-VO: Estimating Visual Odometry with Confidence [34.8860186009308]
  視覚オドメトリー(VO)は、ロボット工学や自律システムを含む多くのアプリケーションで使われている。 本研究では、6-DoFのポーズを推定する深層学習に基づくVOモデルと、これらの推定に対する信頼度モデルを提案する。 本実験は,本モデルが故障事例の検出に加えて,最先端の性能を上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-23T19:26:04Z)
• Learning Transformer Features for Image Quality Assessment [53.51379676690971]
  本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。 提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
  論文  参考訳（メタデータ） (2021-12-01T13:23:00Z)
• Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
  本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。 暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
  論文  参考訳（メタデータ） (2021-10-22T10:02:48Z)
• Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image Enhancement [3.222802562733787]
  条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。 本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。 医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
  論文  参考訳（メタデータ） (2021-10-07T11:29:03Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks [30.410981386006394]
  切り離しはシーン分析アルゴリズムの 重要な予備段階です ディープラーニングの最近の成功は、新しい世代の非仕様化技術が想定されている。 本稿では,自己教師型ベイズ解法を提案する。
  論文  参考訳（メタデータ） (2020-07-04T11:38:48Z)

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。