論文の概要: Deep priors for satellite image restoration with accurate uncertainties
- arxiv url: http://arxiv.org/abs/2412.04130v1
- Date: Thu, 05 Dec 2024 12:56:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:39:16.876144
- Title: Deep priors for satellite image restoration with accurate uncertainties
- Title(参考訳): 正確な不確実性を考慮した衛星画像復元の深部予測
- Authors: Biquard Maud, Marie Chabert, Florence Genin, Christophe Latry, Thomas Oberlin,
- Abstract要約: 本稿では,複数のセンサからの画像を復元する1つのネットワークを包含する汎用手法を提案する。
VBLE-xzは、現実的な後続サンプルと正確な不確実性を得るためのスケーラブルな方法である。
SatDPIRは、不確実性を必要としない場合、直接反転法に代わる魅力的な代替手段である。
- 参考スコア(独自算出の注目度): 4.879530644978008
- License:
- Abstract: Satellite optical images, upon their on-ground receipt, offer a distorted view of the observed scene. Their restoration, classically including denoising, deblurring, and sometimes super-resolution, is required before their exploitation. Moreover, quantifying the uncertainty related to this restoration could be valuable by lowering the risk of hallucination and avoiding propagating these biases in downstream applications. Deep learning methods are now state-of-the-art for satellite image restoration. However, they require to train a specific network for each sensor and they do not provide the associated uncertainties. This paper proposes a generic method involving a single network to restore images from several sensors and a scalable way to derive the uncertainties. We focus on deep regularization (DR) methods, which learn a deep prior on target images before plugging it into a model-based optimization scheme. First, we introduce VBLE-xz, which solves the inverse problem in the latent space of a variational compressive autoencoder, estimating the uncertainty jointly in the latent and in the image spaces. It enables scalable posterior sampling with relevant and calibrated uncertainties. Second, we propose the denoiser-based method SatDPIR, adapted from DPIR, which efficiently computes accurate point estimates. We conduct a comprehensive set of experiments on very high resolution simulated and real Pleiades images, asserting both the performance and robustness of the proposed methods. VBLE-xz and SatDPIR achieve state-of-the-art results compared to direct inversion methods. In particular, VBLE-xz is a scalable method to get realistic posterior samples and accurate uncertainties, while SatDPIR represents a compelling alternative to direct inversion methods when uncertainty quantification is not required.
- Abstract(参考訳): 衛星の光学画像は地上で受信され、観測されたシーンの歪んだ景色を提供する。
彼らの回復は、古典的には、装飾、脱臭、時には超解像を含むが、その利用の前に必要である。
さらに、この修復に関連する不確実性を定量化するためには、幻覚のリスクを低くし、下流のアプリケーションでこれらのバイアスを伝播しないようにすることが必要である。
深層学習法は現在、衛星画像復元の最先端である。
しかし、センサーごとに特定のネットワークを訓練する必要があるため、関連する不確実性は提供されない。
本稿では,複数のセンサからの画像を復元する単一ネットワークと,不確実性を導出するためのスケーラブルな方法を提案する。
本稿では,対象画像の深い事前学習をモデルベース最適化方式にプラグインする前に行うDep regularization(DR)手法に着目する。
まず、変動圧縮オートエンコーダの潜時空間における逆問題を解決するVBLE-xzを導入し、潜時空間と画像空間における不確かさを推定する。
関連するおよび校正された不確実性を伴うスケーラブルな後部サンプリングを可能にする。
第2に,DPIR を応用し,正確な点推定を効率的に計算するデノワザ方式 SatDPIR を提案する。
提案手法の性能とロバスト性の両方を主張し,超高分解能及び実Pleiades画像の総合的な実験を行う。
VBLE-xz と SatDPIR は直接反転法と比較して最先端の結果が得られる。
特に、VBLE-xzは現実的な後続サンプルと正確な不確実性を得るためのスケーラブルな手法であり、SatDPIRは不確実な定量化が不要な場合に直接反転法に代わる魅力的な代替手段である。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳(メタデータ) (2024-08-28T10:07:17Z) - One-step Generative Diffusion for Realistic Extreme Image Rescaling [47.89362819768323]
極端画像再スケーリングのためのワンステップイメージ再スケーリング拡散(OSIRDiff)と呼ばれる新しいフレームワークを提案する。
OSIRDiffは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を実行する。
これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
論文 参考訳(メタデータ) (2024-08-17T09:51:42Z) - On the Quantification of Image Reconstruction Uncertainty without
Training Data [5.057039869893053]
本稿では,深部生成モデルを用いて近似後部分布を学習する深部変分フレームワークを提案する。
フローベースモデルを用いてターゲット後部をパラメータ化し,KL(Kullback-Leibler)の発散を最小限に抑え,正確な不確実性推定を実現する。
提案手法は信頼性と高品質な画像再構成を実現し,信頼性の高い不確実性を推定する。
論文 参考訳(メタデータ) (2023-11-16T07:46:47Z) - Equivariant Bootstrapping for Uncertainty Quantification in Imaging
Inverse Problems [0.24475591916185502]
パラメトリックブートストラップアルゴリズムの等価な定式化に基づく新しい不確実性定量化手法を提案する。
提案手法は汎用的であり,任意の画像再構成手法で容易に適用可能である。
提案手法を数値実験および代替不確実性定量化戦略との比較により実証する。
論文 参考訳(メタデータ) (2023-10-18T09:43:15Z) - Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。
提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
論文 参考訳(メタデータ) (2021-12-15T05:22:34Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - Deep Bayesian inference for seismic imaging with tasks [0.6445605125467573]
本稿では,ベイズ推定と深部ニューラルネットワークの手法を用いて,地震探査における不確実性を画像上で行うタスクの不確実性に変換することを提案する。
画像中のノイズによる不確かさを、自動的に追従された地平面の信頼区間に変換するための体系的手法を提案する。
論文 参考訳(メタデータ) (2021-10-10T15:25:44Z) - Quantifying Sources of Uncertainty in Deep Learning-Based Image
Reconstruction [5.129343375966527]
本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。
本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
論文 参考訳(メタデータ) (2020-11-17T04:12:52Z) - Sampling possible reconstructions of undersampled acquisitions in MR
imaging [9.75702493778194]
MR中のk-空間のアンサンプは時間を節約するが、結果として不適切な逆転問題が発生し、可能な限り無限の画像が生成される。
伝統的に、これは、選択された正規化や事前に従って、このソリューションセットから1つの「ベスト」イメージを検索することで、再構成問題として取り組まれる。
そこで本研究では,逆変換プロセスにおける不確実性を捉えるために,取得モデルと選択した条件下で可能な複数の画像を返却する手法を提案する。
論文 参考訳(メタデータ) (2020-09-30T18:20:06Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-03-08T16:44:31Z)
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。