Fugu-MT 論文翻訳(概要): Low-Rank Adaptation of Pre-Trained Stable Diffusion for Rigid-Body Target ISAR Imaging

論文の概要: Low-Rank Adaptation of Pre-Trained Stable Diffusion for Rigid-Body Target ISAR Imaging

arxiv url: http://arxiv.org/abs/2503.21823v1
Date: Wed, 26 Mar 2025 07:04:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-31 15:29:56.228588
Title: Low-Rank Adaptation of Pre-Trained Stable Diffusion for Rigid-Body Target ISAR Imaging
Title（参考訳）: Rigid-Body Target ISAR 画像に対する事前トレーニング型安定拡散の低域適応
Authors: Boan Zhang, Hang Dong, Jiongge Zhang, Long Tian, Rongrong Wang, Zhenhua Wu, Xiyang Liu, Hongwei Liu,
Abstract要約: 剛体目標に対する新しい逆合成開口レーダ(ISAR)イメージング手法を提案する。本手法はSD Turboの基本構造と事前学習パラメータを採用する。我々は、LORA-SDをRIDベースのISARイメージングに統合し、高分解能で鮮明に焦点を絞ったデノライズドイメージングを可能にする。
参考スコア（独自算出の注目度）: 15.523386842406344
License:
Abstract: Traditional range-instantaneous Doppler (RID) methods for rigid-body target imaging often suffer from low resolution due to the limitations of time-frequency analysis (TFA). To address this challenge, our primary focus is on obtaining high resolution time-frequency representations (TFRs) from their low resolution counterparts. Recognizing that the curve features of TFRs are a specific type of texture feature, we argue that pre trained generative models such as Stable Diffusion (SD) are well suited for enhancing TFRs, thanks to their powerful capability in capturing texture representations. Building on this insight, we propose a novel inverse synthetic aperture radar (ISAR) imaging method for rigid-body targets, leveraging the low-rank adaptation (LoRA) of a pre-trained SD model. Our approach adopts the basic structure and pre-trained parameters of SD Turbo while incorporating additional linear operations for LoRA and adversarial training to achieve super-resolution and noise suppression. Then we integrate LoRA-SD into the RID-based ISAR imaging, enabling sharply focused and denoised imaging with super-resolution capabilities. We evaluate our method using both simulated and real radar data. The experimental results demonstrate the superiority of our approach in frequency es timation and ISAR imaging compared to traditional methods. Notably, the generalization capability is verified by training on simulated radar data and testing on measured radar data.
Abstract（参考訳）: 剛体目標撮影のための従来の範囲即時ドプラ法(RID)は、時間周波数解析(TFA)の限界により、しばしば低分解能に悩まされる。この課題に対処するために、我々は、高分解能時間周波数表現(TFR)を低分解能表現から得ることに重点を置いている。 TFRの曲線特徴が特定の種類のテクスチャ特徴であることを認識し、テクスチャ表現を捕捉する強力な能力のおかげで、SD(Stable Diffusion)のような事前訓練された生成モデルはTFRの強化に適していると論じる。そこで本研究では,剛体目標に対する新しい逆合成開口レーダ(ISAR)イメージング手法を提案し,プリトレーニングSDモデルのローランク適応(LoRA)を利用した。提案手法は, SD Turboの基本構造と事前学習パラメータを採用し, また, LoRA に対する線形演算と,超高分解能, ノイズ抑圧を実現するための対角訓練を取り入れた。そして、RIDベースのISARイメージングにLoRA-SDを組み込むことで、高分解能で鮮明に焦点を絞ったデノライズドイメージングを可能にします。シミュレーションと実レーダデータの両方を用いて本手法の評価を行った。従来手法と比較して,周波数刺激とISAR画像におけるアプローチの優位性を示す実験結果が得られた。特に、シミュレーションレーダデータのトレーニングと測定レーダデータのテストにより、一般化能力を検証する。

関連論文リスト

C-DiffSET: Leveraging Latent Diffusion for SAR-to-EO Image Translation with Confidence-Guided Reliable Object Generation [23.63992950769041]
C-DiffSETは、訓練済みの遅延拡散モデル(LDM)を自然画像で広く訓練したフレームワークである。顕著なことに、事前訓練されたVAEエンコーダは、SAR入力のノイズレベルが異なる場合でも、同じ潜時空間でSARとEOの画像を整列する。
論文参考訳（メタデータ） (2024-11-16T12:28:40Z)
FreqINR: Frequency Consistency for Implicit Neural Representation with Adaptive DCT Frequency Loss [5.349799154834945]
本稿では、新しい任意スケール超解像法であるFreqINR(FreqINR)について述べる。トレーニングでは,適応離散コサイン変換周波数損失(adaptive Discrete Cosine Transform Frequency Loss,ADFL)を用いて,HR画像と地絡画像の周波数ギャップを最小化する。推論の際には,低分解能(LR)画像と地軸画像のスペクトルコヒーレンスを維持するために受容場を拡張した。
論文参考訳（メタデータ） (2024-08-25T03:53:17Z)
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)
One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
論文参考訳（メタデータ） (2024-08-14T11:47:22Z)
Accelerating Diffusion for SAR-to-Optical Image Translation via Adversarial Consistency Distillation [5.234109158596138]
本稿では,SAR-to-optical Image translationのための新しいトレーニングフレームワークを提案する。本手法では, 画像の明瞭度を保証し, 色変化を最小限に抑えるために, 反復推論ステップの低減に一貫性蒸留を用い, 対角学習を統合した。その結果,提案手法は生成画像の視覚的品質を維持しつつ,推論速度を131倍向上させることを示した。
論文参考訳（メタデータ） (2024-07-08T16:36:12Z)
Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
論文参考訳（メタデータ） (2024-04-01T01:32:11Z)
SAR Despeckling via Regional Denoising Diffusion Probabilistic Model [6.154796320245652]
生成モデルに基づく領域分割拡散確率モデル(R-DDPM) 本稿では, 生成モデルに基づく領域分割拡散確率モデル (R-DDPM) を提案する。
論文参考訳（メタデータ） (2024-01-06T04:34:46Z)
ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文参考訳（メタデータ） (2023-07-03T06:49:04Z)
Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文参考訳（メタデータ） (2023-06-01T03:08:28Z)
Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
論文参考訳（メタデータ） (2020-12-28T08:24:04Z)
Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文参考訳（メタデータ） (2020-12-18T08:25:39Z)

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。