論文の概要: Dfilled: Repurposing Edge-Enhancing Diffusion for Guided DSM Void Filling

• arxiv url: http://arxiv.org/abs/2501.15440v1
• Date: Sun, 26 Jan 2025 08:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:56:32.569198
• Title: Dfilled: Repurposing Edge-Enhancing Diffusion for Guided DSM Void Filling
• Title（参考訳）: DSMボイド充填用エッジエンハンシング拡散器
• Authors: Daniel Panangian, Ksenia Bittner,
• Abstract要約: デジタル表面モデル(DSM)は、地理空間解析において地球の地形を正確に表現するために不可欠である。 DSMは、都市計画、植生研究、そして3D再構築などの応用に欠かせない自然と人工の特徴の詳細な高度を捉えている。 これまでの研究は、主にデジタル標高モデル(DEM)とデジタル地形モデル(DTM)の空隙充填に焦点を当ててきた。 エッジエンハンス拡散による光リモートセンシング画像を利用する誘導DSM空隙充填法であるDfilledを紹介する。
• 参考スコア（独自算出の注目度）: 2.3020018305241337
• License:
• Abstract: Digital Surface Models (DSMs) are essential for accurately representing Earth's topography in geospatial analyses. DSMs capture detailed elevations of natural and manmade features, crucial for applications like urban planning, vegetation studies, and 3D reconstruction. However, DSMs derived from stereo satellite imagery often contain voids or missing data due to occlusions, shadows, and lowsignal areas. Previous studies have primarily focused on void filling for digital elevation models (DEMs) and Digital Terrain Models (DTMs), employing methods such as inverse distance weighting (IDW), kriging, and spline interpolation. While effective for simpler terrains, these approaches often fail to handle the intricate structures present in DSMs. To overcome these limitations, we introduce Dfilled, a guided DSM void filling method that leverages optical remote sensing images through edge-enhancing diffusion. Dfilled repurposes deep anisotropic diffusion models, which originally designed for super-resolution tasks, to inpaint DSMs. Additionally, we utilize Perlin noise to create inpainting masks that mimic natural void patterns in DSMs. Experimental evaluations demonstrate that Dfilled surpasses traditional interpolation methods and deep learning approaches in DSM void filling tasks. Both quantitative and qualitative assessments highlight the method's ability to manage complex features and deliver accurate, visually coherent results.
• Abstract（参考訳）: デジタル表面モデル(DSM)は、地理空間解析において地球の地形を正確に表現するために不可欠である。 DSMは、都市計画、植生研究、そして3D再構築などの応用に欠かせない自然と人工の特徴の詳細な高度を捉えている。 しかし、ステレオ衛星画像から派生したDSMは、オクルージョン、シャドウ、低信号領域によってヴォイドや欠落したデータを含むことが多い。 従来の研究では、逆距離重み付け(IDW)、クリギング、スプライン補間などの手法を用いて、デジタル標高モデル(DEM)とデジタル地形モデル(DTM)の空隙充填に重点を置いてきた。 より単純な地形では有効であるが、これらのアプローチはしばしばDSMに存在する複雑な構造を扱うのに失敗する。 これらの制限を克服するために、エッジエンハンシング拡散による光リモートセンシング画像を活用する誘導DSM空隙充填法であるDfilledを導入する。 Dfilledは、もともと超高解像度タスク用に設計された深部異方性拡散モデルをDSMに塗布するために再利用する。 さらに、パーリンノイズを利用して、DSMの自然なヴォイドパターンを模倣する塗装マスクを作成する。 DSM空調タスクにおいて,Dfilledは従来の補間手法や深層学習手法を超越していることを示す実験的評価を行った。 定量的かつ質的な評価は、複雑な特徴を管理し、正確で視覚的に一貫性のある結果を提供する方法の能力を強調している。

関連論文リスト

• Dynamic Entity-Masked Graph Diffusion Model for histopathological image Representation Learning [25.197342542821843]
  動的Entity-Masked Graph Diffusion Modelによる自己管理型病理画像表現学習法であるH-MGDMを紹介する。 具体的には,予備訓練において,相補的な部分グラフを潜時拡散条件として,自己教師対象として用いることを提案する。
  論文  参考訳（メタデータ） (2024-12-13T10:18:36Z)
• TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
  本研究は,推定時間における相対的推定値から計量深度値を求めるための,実践的なオンラインスケール回復手法であるTanDepthを提案する。 本手法は無人航空機(UAV)の用途に応用され,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。 推定深度マップから接地点を選択して、投影された基準点と相関するクラスシミュレーションフィルタへの適応を示す。
  論文  参考訳（メタデータ） (2024-09-08T15:54:43Z)
• Decomposing the Neurons: Activation Sparsity via Mixture of Experts for Continual Test Time Adaptation [37.79819260918366]
  継続的なテスト時間適応(CTTA)は、トレーニング済みのモデルを進化し続けるターゲットドメインに適応させることを目的としている。 我々はCTTAタスクのアダプタとしてMixture-of-Activation-Sparsity-Experts (MoASE)の統合について検討する。
  論文  参考訳（メタデータ） (2024-05-26T08:51:39Z)
• DPMesh: Exploiting Diffusion Prior for Occluded Human Mesh Recovery [71.6345505427213]
  DPMeshは、人間のメッシュリカバリを排除した革新的なフレームワークである。 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埋め込まれた対象構造と空間的関係について、より深い拡散に乗じる。
  論文  参考訳（メタデータ） (2024-04-01T18:59:13Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Self-Supervised CSF Inpainting with Synthetic Atrophy for Improved Accuracy Validation of Cortical Surface Analyses [2.018732483255139]
  本稿では,パッチベースのドロップアウトトレーニング,エッジマップ先行,正弦波位置符号化を取り入れた新しい3次元GANモデルを提案する。 提案手法は,合成画像の品質を著しく向上させ,微調整による未確認データに適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-10T08:27:14Z)
• Depth-Assisted ResiDualGAN for Cross-Domain Aerial Images Semantic Segmentation [15.29253551096484]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ドメインギャップを最小化するためのアプローチである。 デジタルサーフェスモデル(DSM)は通常、ソースドメインとターゲットドメインの両方で利用可能である。 深度制御型ResiDualGAN (DRDG) を提案し, 深度制御型損失 (DCCL) を用いて生成モデルに深度情報をもたらす。
  論文  参考訳（メタデータ） (2022-08-21T06:58:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。