論文の概要: Can Location Embeddings Enhance Super-Resolution of Satellite Imagery?

• arxiv url: http://arxiv.org/abs/2501.15847v1
• Date: Mon, 27 Jan 2025 08:16:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:56:17.342757
• Title: Can Location Embeddings Enhance Super-Resolution of Satellite Imagery?
• Title（参考訳）: 衛星画像の超解像化は可能か?
• Authors: Daniel Panangian, Ksenia Bittner,
• Abstract要約: センチネル2のような公共に利用可能な衛星画像は、リモートセンシングタスクの正確な分析に必要な空間解像度を欠いていることが多い。 位置情報の埋め込みを通じて地理的コンテキストを組み込むことで一般化を促進する新しい超解像フレームワークを提案する。 本研究では,建築セグメント化作業における手法の有効性を実証し,最先端の手法よりも大幅に改善したことを示す。
• 参考スコア（独自算出の注目度）: 2.3020018305241337
• License:
• Abstract: Publicly available satellite imagery, such as Sentinel- 2, often lacks the spatial resolution required for accurate analysis of remote sensing tasks including urban planning and disaster response. Current super-resolution techniques are typically trained on limited datasets, leading to poor generalization across diverse geographic regions. In this work, we propose a novel super-resolution framework that enhances generalization by incorporating geographic context through location embeddings. Our framework employs Generative Adversarial Networks (GANs) and incorporates techniques from diffusion models to enhance image quality. Furthermore, we address tiling artifacts by integrating information from neighboring images, enabling the generation of seamless, high-resolution outputs. We demonstrate the effectiveness of our method on the building segmentation task, showing significant improvements over state-of-the-art methods and highlighting its potential for real-world applications.
• Abstract（参考訳）: センチネル2のような公共利用可能な衛星画像は、都市計画や災害対応を含むリモートセンシングタスクの正確な分析に必要な空間解像度を欠いていることが多い。 現在の超解像技術は、典型的には限られたデータセットで訓練されており、様々な地域にわたっての一般化が不十分である。 そこで本研究では,位置情報の埋め込みを通じて地理的コンテキストを組み込むことにより,一般化を促進する新しい超解像フレームワークを提案する。 我々のフレームワークはGAN(Generative Adversarial Networks)を採用し,画像品質向上のための拡散モデルからのテクニックを取り入れている。 さらに,隣接する画像からの情報を統合して,シームレスで高解像度な出力を生成することで,ティリングアーティファクトに対処する。 提案手法がビルのセグメンテーション作業に与える影響を実証し、最先端の手法よりも大幅に改善され、実世界の応用の可能性を強調した。

関連論文リスト

• Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images [0.0]
  土地利用土地被覆(LULC)マッピングは、都市と資源計画にとって重要なツールである。 本研究では,高解像度衛星画像を用いたLULC予測のための半教師付きセグメンテーションモデルを提案する。 粗いラベル付きデータに基づいて画像分割モデルをトレーニングするクロス擬似スーパービジョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:14:23Z)
• SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
  我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。 アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。 実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
  論文  参考訳（メタデータ） (2024-06-14T17:58:28Z)
• Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
  マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。 既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。 本提案では,ガウス分布を用いた地域表現をモデル化する。
  論文  参考訳（メタデータ） (2024-03-15T12:41:30Z)
• Feature Aggregation Network for Building Extraction from High-resolution Remote Sensing Images [1.7623838912231695]
  高解像度衛星リモートセンシングデータ取得は、表面構造的特徴の詳細な抽出の可能性を明らかにした。 現在の手法は、表面特徴の局所化情報にのみ焦点をあてている。 本稿では,グローバル機能とローカル機能の両方を抽出する機能集約ネットワーク(FANet)を提案する。
  論文  参考訳（メタデータ） (2023-09-12T07:31:51Z)
• HRFNet: High-Resolution Forgery Network for Localizing Satellite Image Manipulation [16.668334854459143]
  既存の高解像度衛星画像フォージェリーローカライゼーション手法は、パッチベースまたはダウンサンプリングベースのトレーニングに依存している。 本研究では,衛星画像の偽位置推定を効果的に行うため,HRFNetと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-20T17:33:57Z)
• Super-Resolving Face Image by Facial Parsing Information [52.1267613768555]
  顔超解像は、低解像度の顔画像を対応する高解像度の画像に変換する技術である。 我々は,低解像度の顔画像から先行する顔を抽出する,新しい解析マップ付き顔超解像ネットワークを構築した。 高解像度特徴はより正確な空間情報を含み、低解像度特徴は強い文脈情報を提供する。
  論文  参考訳（メタデータ） (2023-04-06T08:19:03Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Tracking Urbanization in Developing Regions with Remote Sensing Spatial-Temporal Super-Resolution [82.50301442891602]
  本稿では,高分解能画像と高分解能画像の時系列を併用したパイプラインを提案する。 提案手法は, 単一画像超解像を用いたベースラインと比較して, 大幅な改善を実現している。
  論文  参考訳（メタデータ） (2022-04-04T17:21:20Z)
• Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional Pixel Synthesis [66.50914391487747]
  高精度な高解像度画像を生成するために,高解像度の高解像度画像を用いた条件付き画素合成モデルを提案する。 我々は,本モデルにおいて,オブジェクトカウントという重要なダウンストリームタスクにおいて,フォトリアリスティックなサンプル品質を実現し,競合するベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-22T02:16:24Z)
• Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of Satellite Images [54.44842669325082]
  本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。 低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。 本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
  論文  参考訳（メタデータ） (2020-08-03T13:55:39Z)
• Weakly Supervised Domain Adaptation for Built-up Region Segmentation in Aerial and Satellite Imagery [3.8508264614798517]
  環境に対する人間の影響,公共政策の影響,一般都市人口分析を理解する上で,構築された地域推定は重要な要素である。 航空や衛星画像の多様性と、この多様性をカバーするラベル付きデータの欠如により、機械学習アルゴリズムの一般化が困難になる。 本稿では,衛星画像と空中画像の課題に対処する新しい領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-05T10:05:01Z)

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。