論文の概要: $\mathbfΦ$-GAN: Physics-Inspired GAN for Generating SAR Images Under Limited Data

• arxiv url: http://arxiv.org/abs/2503.02242v1
• Date: Tue, 04 Mar 2025 03:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:11.336926
• Title: $\mathbfΦ$-GAN: Physics-Inspired GAN for Generating SAR Images Under Limited Data
• Title（参考訳）: 限られたデータの下でSAR画像を生成するための物理にインスパイアされたGAN
• Authors: Xidan Zhang, Yihan Zhuang, Qian Guo, Haodong Yang, Xuelin Qian, Gong Cheng, Junwei Han, Zhongling Huang,
• Abstract要約: 本稿では,合成開口レーダ(SAR)画像に対する$Phi$-GANという物理インスパイアされた正規化手法を提案する。 PSCモデルは物理パラメータを用いてSARターゲットを近似し、$Phi$-GANが実際の物理特性と整合したSAR画像を生成する。 我々は,複数の条件付きGAN(cGAN)モデルに対して$Phi$-GANを評価し,データスカースシナリオにおける最先端性能を示す。
• 参考スコア（独自算出の注目度）: 45.83064997810622
• License:
• Abstract: Approaches for improving generative adversarial networks (GANs) training under a few samples have been explored for natural images. However, these methods have limited effectiveness for synthetic aperture radar (SAR) images, as they do not account for the unique electromagnetic scattering properties of SAR. To remedy this, we propose a physics-inspired regularization method dubbed $\Phi$-GAN, which incorporates the ideal point scattering center (PSC) model of SAR with two physical consistency losses. The PSC model approximates SAR targets using physical parameters, ensuring that $\Phi$-GAN generates SAR images consistent with real physical properties while preventing discriminator overfitting by focusing on PSC-based decision cues. To embed the PSC model into GANs for end-to-end training, we introduce a physics-inspired neural module capable of estimating the physical parameters of SAR targets efficiently. This module retains the interpretability of the physical model and can be trained with limited data. We propose two physical loss functions: one for the generator, guiding it to produce SAR images with physical parameters consistent with real ones, and one for the discriminator, enhancing its robustness by basing decisions on PSC attributes. We evaluate $\Phi$-GAN across several conditional GAN (cGAN) models, demonstrating state-of-the-art performance in data-scarce scenarios on three SAR image datasets.
• Abstract（参考訳）: いくつかのサンプルを用いてGAN(Generative Adversarial Network)トレーニングを改善するためのアプローチが、自然画像のために検討されている。 しかし,これらの手法は,SARの独特な電磁波散乱特性を考慮せず,合成開口レーダ(SAR)画像に対して限られた有効性を有する。 これを改善するために,SARの理想点散乱中心(PSC)モデルと2つの物理的整合性損失を組み込んだ,$\Phi$-GANという物理に着想を得た正規化手法を提案する。 PSCモデルは、物理パラメータを用いてSARターゲットを近似し、$\Phi$-GANが実際の物理特性と整合したSAR画像を生成するとともに、PSCに基づく決定キューに着目して判別器過適合を防止する。 エンド・ツー・エンドトレーニングのためにPSCモデルをGANに組み込むため、SARターゲットの物理パラメータを効率的に推定できる物理に着想を得たニューラルモジュールを導入する。 このモジュールは物理モデルの解釈可能性を保持し、限られたデータでトレーニングすることができる。 そこで本研究では,2つの物理損失関数を提案する。1つはジェネレータ用,1つは実パラメータに整合したSAR画像の生成を誘導し,もう1つは識別器用,もう1つはPSC属性に基づく決定による堅牢性の向上である。 我々は、複数の条件付きGAN(cGAN)モデルに対して$\Phi$-GANを評価し、3つのSAR画像データセット上のデータスカースシナリオにおける最先端の性能を実証した。

関連論文リスト

• Conditional Brownian Bridge Diffusion Model for VHR SAR to Optical Image Translation [5.578820789388206]
  本稿では,Brownian Bridge Diffusion Model(BBDM)に基づく条件付き画像から画像への変換手法を提案する。 我々は、MSAWデータセット、ペアSAR、0.5m Very-High-Resolution (VHR) の光学画像収集に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-08-15T05:43:46Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• SAR-AE-SFP: SAR Imagery Adversarial Example in Real Physics domain with Target Scattering Feature Parameters [2.3930545422544856]
  現在のSAR画像の逆例生成法は、画像逆例として知られる2次元デジタルドメインで動作する。 本稿では,SAR-AE-SFP-Attackを提案する。 実験結果から,SAR-AE-SFPアタックはCNNモデルやTransformerモデルに対する攻撃効率を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-03-02T13:52:28Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Physics-driven generative adversarial networks empower single-pixel infrared hyperspectral imaging [0.7448098004925985]
  単一画素ハイパースペクトルイメージング(HSI)のための物理駆動型生成対向ネットワーク(GAN)が構築された。 GANフレームワーク内では、単一ピクセルイメージング(SPI)の物理的プロセスがジェネレータに統合された。
  論文  参考訳（メタデータ） (2023-11-22T17:36:46Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Adversarial Parametric Pose Prior [106.12437086990853]
  我々は、SMPLパラメータを現実的なポーズを生成する値に制限する事前学習を行う。 得られた先行学習は実データ分布の多様性をカバーし、2次元キーポイントからの3次元再構成の最適化を容易にし、画像からの回帰に使用する場合のポーズ推定精度を向上することを示す。
  論文  参考訳（メタデータ） (2021-12-08T10:05:32Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Multi-Objective CNN Based Algorithm for SAR Despeckling [1.933681537640272]
  本稿では,SAR画像特性を考慮した多目的コスト関数を持つ畳み込みニューラルネットワーク(CNN)を提案する。 シミュレーションおよび実写SAR画像を用いた実験により,提案手法の精度が,Stand-of-Art despecklingアルゴリズムと比較された。
  論文  参考訳（メタデータ） (2020-06-16T10:15:42Z)

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。