論文の概要: A Progressive Image Restoration Network for High-order Degradation Imaging in Remote Sensing

• arxiv url: http://arxiv.org/abs/2412.07195v1
• Date: Tue, 10 Dec 2024 05:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:37:57.382462
• Title: A Progressive Image Restoration Network for High-order Degradation Imaging in Remote Sensing
• Title（参考訳）: リモートセンシングにおける高次劣化イメージングのためのプログレッシブ画像復元ネットワーク
• Authors: Yujie Feng, Yin Yang, Xiaohong Fan, Zhengpeng Zhang, Lijing Bu, Jianping Zhang,
• Abstract要約: 我々は高次劣化画像(HDI-PRNet)のための新しいプログレッシブ復元ネットワークを提案する。 本手法は,合成画像と実際のリモートセンシング画像の両方において,優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 5.6223397629993626
• License:
• Abstract: Recently, deep learning methods have gained remarkable achievements in the field of image restoration for remote sensing (RS). However, most existing RS image restoration methods focus mainly on conventional first-order degradation models, which may not effectively capture the imaging mechanisms of remote sensing images. Furthermore, many RS image restoration approaches that use deep learning are often criticized for their lacks of architecture transparency and model interpretability. To address these problems, we propose a novel progressive restoration network for high-order degradation imaging (HDI-PRNet), to progressively restore different image degradation. HDI-PRNet is developed based on the theoretical framework of degradation imaging, offering the benefit of mathematical interpretability within the unfolding network. The framework is composed of three main components: a module for image denoising that relies on proximal mapping prior learning, a module for image deblurring that integrates Neumann series expansion with dual-domain degradation learning, and a module for super-resolution. Extensive experiments demonstrate that our method achieves superior performance on both synthetic and real remote sensing images.
• Abstract（参考訳）: 近年,リモートセンシング(RS)のための画像復元分野において,深層学習が目覚ましい成果を上げている。 しかし、既存のRS画像復元法のほとんどは、従来の1次劣化モデルに重点を置いており、リモートセンシング画像の撮像機構を効果的に捉えていない可能性がある。 さらに、ディープラーニングを用いた多くのRS画像復元アプローチは、アーキテクチャの透明性とモデル解釈可能性の欠如によってしばしば批判される。 これらの問題に対処するために,高次劣化画像(HDI-PRNet)のための新しいプログレッシブ復元ネットワークを提案し,異なる画像劣化を段階的に復元する。 HDI-PRNetは、分解イメージングの理論的枠組みに基づいて開発され、展開ネットワークにおける数学的解釈可能性の利点を提供する。 このフレームワークは3つの主要コンポーネントで構成されている: 近位写像の事前学習に依存する画像復調用モジュール、ニューマン級数展開と二重ドメイン分解学習を統合する画像復調用モジュール、超解像用モジュール。 広汎な実験により,本手法は,合成画像と実リモートセンシング画像の両方において優れた性能を発揮することが示された。

関連論文リスト

• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• A Multi-scale Generalized Shrinkage Threshold Network for Image Blind Deblurring in Remote Sensing [5.957520165711732]
  縮小しきい値の反復を交互に利用するブラインドデブロアリング学習フレームワークを提案する。 また、画像領域における深部近位写像モジュールを提案し、一般化された縮小しきい値とマルチスケールの先行特徴抽出ブロックを組み合わせた。
  論文  参考訳（メタデータ） (2023-09-14T08:48:44Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Wide & deep learning for spatial & intensity adaptive image restoration [16.340992967330603]
  本稿では,広義の多フレーム画像復元ネットワーク(DparNet)を提案する。 劣化前のパラメータ行列は、劣化した画像から直接学習される。 DparNetの広範かつ深いアーキテクチャにより、学習したパラメータは最終的な復元結果を直接修正できる。
  論文  参考訳（メタデータ） (2023-05-30T03:24:09Z)
• Learning Degradation Representations for Image Deblurring [37.80709422920307]
  ぼやけた画像の空間適応的劣化表現を学習するための枠組みを提案する。 劣化表現の表現性を改善するために、新しい共同画像再生・復調学習プロセスを提案する。 GoProとRealBlurのデータセットの実験では、学習した劣化表現を用いたデブロアリングフレームワークが最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-10T09:53:16Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。