論文の概要: Structure Modeling Activation Free Fourier Network for Spacecraft Image Denoising

• arxiv url: http://arxiv.org/abs/2409.07067v2
• Date: Thu, 27 Mar 2025 09:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:49:21.160374
• Title: Structure Modeling Activation Free Fourier Network for Spacecraft Image Denoising
• Title（参考訳）: 宇宙用画像復調のための構造モデリングアクティベーションフリーフーリエネットワーク
• Authors: Jingfan Yang, Hu Gao, Ying Zhang, Bowen Ma, Depeng Dang,
• Abstract要約: 本研究では,効率的な衛星画像デノゲーション手法として,SAFFN(Structure Modeling Activation Free Fourier Network)を提案する。 本稿では,宇宙船騒音画像中の暗黒領域からの宇宙船成分の同定を効果的に行うために,エッジ情報を抽出し,その構造をモデル化する。
• 参考スコア（独自算出の注目度）: 4.33515245465881
• License:
• Abstract: Spacecraft image denoising is a crucial fundamental technology closely related to aerospace research. However, the existing deep learning-based image denoising methods are primarily designed for natural image and fail to adequately consider the characteristics of spacecraft image(e.g. low-light conditions, repetitive periodic structures), resulting in suboptimal performance in the spacecraft image denoising task. To address the aforementioned problems, we propose a Structure modeling Activation Free Fourier Network (SAFFN), which is an efficient spacecraft image denoising method including Structure Modeling Block (SMB) and Activation Free Fourier Block (AFFB). We present SMB to effectively extract edge information and model the structure for better identification of spacecraft components from dark regions in spacecraft noise image. We present AFFB and utilize an improved Fast Fourier block to extract repetitive periodic features and long-range information in noisy spacecraft image. Extensive experimental results demonstrate that our SAFFN performs competitively compared to the state-of-the-art methods on spacecraft noise image datasets. The codes are available at: https://github.com/shenduke/SAFFN.
• Abstract（参考訳）: 宇宙画像のデノイングは、航空宇宙研究と密接に関連する重要な基礎技術である。 しかし、既存のディープラーニングに基づく画像復調法は、主に自然画像用に設計されており、宇宙船画像の特徴(例えば、低照度条件、繰り返し周期構造)を適切に考慮できないため、宇宙船画像復調作業における準最適性能が得られる。 上記の問題に対処するため,構造モデリングブロック (SMB) やアクティベーションフリーフーリエブロック (AFFB) を含む効率的な宇宙船画像復号法である構造モデリングアクティベーションフリーフーリエネットワーク (SAFFN) を提案する。 本研究では, エッジ情報を効果的に抽出し, 宇宙船騒音画像中の暗黒領域からの宇宙船成分の同定を行う構造をモデル化するために, SMBを提案する。 AFFBを提示し、改良されたFast Fourierブロックを用いて、ノイズの多い宇宙船画像において繰り返し周期的特徴と長距離情報を抽出する。 我々のSAFFNは、宇宙船のノイズ画像データセットの最先端手法と比較して、競争力のある性能を示す。 コードは、https://github.com/shenduke/SAFFN.comで入手できる。

関連論文リスト

• FE-UNet: Frequency Domain Enhanced U-Net with Segment Anything Capability for Versatile Image Segmentation [50.9040167152168]
  CNNのコントラスト感度関数を実験的に定量化し,人間の視覚システムと比較した。 本稿ではウェーブレット誘導分光ポーリングモジュール(WSPM)を提案する。 人間の視覚系をさらにエミュレートするために、周波数領域拡張受容野ブロック(FE-RFB)を導入する。 本研究では,SAM2 をバックボーンとし,Hiera-Large を事前学習ブロックとして組み込んだ FE-UNet を開発した。
  論文  参考訳（メタデータ） (2025-02-06T07:24:34Z)
• Beyond the Visible: Jointly Attending to Spectral and Spatial Dimensions with HSI-Diffusion for the FINCH Spacecraft [2.5057561650768814]
  FINCHミッションは、農地の作物の残留物を監視することを目的としている。 ハイパースペクトルイメージングは、スペクトル情報と空間情報の両方をキャプチャする。 ランダムノイズ、ストライプノイズ、デッドピクセルなど、様々な種類のノイズが生じる傾向がある。
  論文  参考訳（メタデータ） (2024-06-15T19:34:18Z)
• Low-light Stereo Image Enhancement and De-noising in the Low-frequency Information Enhanced Image Space [5.1569866461097185]
  同時に高音化・低音化を行う手法が提案されている。 低周波情報拡張モジュール (IEM) は雑音を抑え, 新たな画像空間を創出するために提案される。 長距離空間依存を符号化するために,チャネル間および空間コンテキスト情報マイニングモジュール(CSM)を提案する。 エンコーダ-デコーダ構造が構築され、クロスビューとクロススケールな特徴相互作用が組み込まれている。
  論文  参考訳（メタデータ） (2024-01-15T15:03:32Z)
• Spatial-Frequency U-Net for Denoising Diffusion Probabilistic Models [89.76587063609806]
  画素空間の代わりにウェーブレット空間における拡散確率モデル(DDPM)を視覚合成のために検討した。 ウェーブレット信号を明示的にモデル化することで、我々のモデルは複数のデータセット上でより高品質な画像を生成することができる。
  論文  参考訳（メタデータ） (2023-07-27T06:53:16Z)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)
• Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
  我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。 我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
  論文  参考訳（メタデータ） (2021-10-16T17:08:30Z)
• Galaxy Image Translation with Semi-supervised Noise-reconstructed Generative Adversarial Networks [0.0]
  半教師付き方式でペア画像とペア画像の両方を利用するGANを用いた双方向画像翻訳モデルを提案する。 提案手法は,グローバルおよびローカルな特性を効果的に回復し,ベンチマーク画像翻訳モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-19T00:43:14Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)
• Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
  本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。 本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
  論文  参考訳（メタデータ） (2020-01-28T12:24:17Z)

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。