論文の概要: GSR4B: Biomass Map Super-Resolution with Sentinel-1/2 Guidance

• arxiv url: http://arxiv.org/abs/2504.01722v2
• Date: Thu, 03 Apr 2025 09:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:56:45.024215
• Title: GSR4B: Biomass Map Super-Resolution with Sentinel-1/2 Guidance
• Title（参考訳）: GSR4B: センチネル1/2誘導によるバイオマスマップ超解法
• Authors: Kaan Karaman, Yuchang Jiang, Damien Robert, Vivien Sainte Fare Garnot, Maria João Santos, Jan Dirk Wegner,
• Abstract要約: 我々は、この問題を、LRバイオマスマップを100ドルから10ドルまで高めることを目的としたガイド超解法(GSR)とみなした。 衛星画像からの直接回帰に対して,超解像AGBマップとガイダンスの有無を比較した。 以上の結果から,GSR フレームワークを大規模に正確な HR バイオマスマッピングに適用できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 5.47017491645985
• License:
• Abstract: Accurate Above-Ground Biomass (AGB) mapping at both large scale and high spatio-temporal resolution is essential for applications ranging from climate modeling to biodiversity assessment, and sustainable supply chain monitoring. At present, fine-grained AGB mapping relies on costly airborne laser scanning acquisition campaigns usually limited to regional scales. Initiatives such as the ESA CCI map attempt to generate global biomass products from diverse spaceborne sensors but at a coarser resolution. To enable global, high-resolution (HR) mapping, several works propose to regress AGB from HR satellite observations such as ESA Sentinel-1/2 images. We propose a novel way to address HR AGB estimation, by leveraging both HR satellite observations and existing low-resolution (LR) biomass products. We cast this problem as Guided Super-Resolution (GSR), aiming at upsampling LR biomass maps (sources) from $100$ to $10$ m resolution, using auxiliary HR co-registered satellite images (guides). We compare super-resolving AGB maps with and without guidance, against direct regression from satellite images, on the public BioMassters dataset. We observe that Multi-Scale Guidance (MSG) outperforms direct regression both for regression ($-780$ t/ha RMSE) and perception ($+2.0$ dB PSNR) metrics, and better captures high-biomass values, without significant computational overhead. Interestingly, unlike the RGB+Depth setting they were originally designed for, our best-performing AGB GSR approaches are those that most preserve the guide image texture. Our results make a strong case for adopting the GSR framework for accurate HR biomass mapping at scale. Our code and model weights are made publicly available (https://github.com/kaankaramanofficial/GSR4B).
• Abstract（参考訳）: 気候モデルから生物多様性評価,持続可能なサプライチェーンモニタリングに至るまで,大規模かつ高時空間分解能の正確なAGBマッピングが不可欠である。 現在、粒度の細かいAGBマッピングは、通常、地域規模に限定されるコストの高いレーザースキャン取得キャンペーンに依存している。 ESA CCIマップのようなイニシアチブは、様々な宇宙搭載センサーから、粗い解像度で地球規模のバイオマス生成を試みている。 グローバルで高解像度(HR)マッピングを可能にするために、ESA Sentinel-1/2画像のようなHR衛星観測からAGBを除去する研究がいくつか提案されている。 本稿では、HR衛星観測と既存の低分解能(LR)バイオマス生成物の両方を活用することにより、HR AGB推定に対処する新しい手法を提案する。 我々はこの問題をガイド・スーパー・リゾリューション(GSR)と呼び、補助HR共登録衛星画像(ガイド)を用いて、LRバイオマスマップ(ソース)を100ドルから10ドルまで高めることを目的とした。 一般のBioMasstersデータセット上で,超解答AGBマップとガイダンスなしで,衛星画像からの直接回帰を比較した。 マルチスケールガイダンス(MSG)は回帰(780$ t/ha RMSE)と知覚(+2.0$ dB PSNR)の両方において直接回帰よりも優れており、計算オーバーヘッドの大きいハイバイオマス値の取得が優れている。 興味深いことに、元々はRGB+Depth設定が設計されていたのと異なり、最高のパフォーマンスのAGB GSRアプローチは、ガイド画像のテクスチャを最も保存するものだ。 以上の結果から,GSR フレームワークを大規模に正確な HR バイオマスマッピングに適用できる可能性が示唆された。 コードとモデルの重み付けは公開されています(https://github.com/kaankaramanofficial/GSR4B)。

関連論文リスト

• IGAF: Incremental Guided Attention Fusion for Depth Super-Resolution [13.04760414998408]
  誘導深度超解像(GDSR)のための新しいセンサ融合手法を提案する。 GDSRは、LR深度マップとHR画像を組み合わせて詳細なHR深度マップを推定する。 本モデルでは,NYU v2データセットのベースラインモデルすべてと比較して,最先端の結果が得られている。
  論文  参考訳（メタデータ） (2025-01-03T09:27:51Z)
• Tomographic SAR Reconstruction for Forest Height Estimation [4.1942958779358674]
  樹高推定は、生態学および森林学の応用において、バイオマス推定の重要な指標となる。 本研究では,SAR(Synthetic Aperture Radar)の派生である2Dシングルルックコンプレックス(SLC)画像から直接,深層学習を用いて林冠の高さを推定する。 本手法は,従来のトモグラフィ信号処理を回避し,SARキャプチャからエンド製品への遅延を低減する。
  論文  参考訳（メタデータ） (2024-12-01T17:37:25Z)
• AGBD: A Global-scale Biomass Dataset [18.976975819550173]
  衛星画像から地上バイオマスを推定するための既存のデータセットは限られている。 このデータセットは、GEDIミッションからのAGB参照データとSentinel-2とPALSAR-2の画像のデータを組み合わせる。 これには、密集した天蓋の高さマップ、標高マップ、土地被覆分類マップなど、事前処理された高水準の特徴が含まれている。 単一の行のコードで簡単にアクセスでき、グローバルなAGB推定への取り組みの確固たる基盤を提供する。
  論文  参考訳（メタデータ） (2024-06-07T13:34:17Z)
• Comparing remote sensing-based forest biomass mapping approaches using new forest inventory plots in contrasting forests in northeastern and southwestern China [6.90293949599626]
  大規模高空間分解能地上バイオマス(AGB)マップは、森林炭素ストックの決定と変化の過程において重要な役割を担っている。 GEDIは、散布された足跡を収集するサンプリング装置であり、そのデータは他の連続カバー衛星のデータと組み合わせて高解像度の地図を作成する必要がある。 GEDI L2Aデータから森林AGBを推定するローカルモデルを開発した。
  論文  参考訳（メタデータ） (2024-05-24T11:10:58Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
  GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-06T21:27:08Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• Recursive Generalization Transformer for Image Super-Resolution [108.67898547357127]
  本稿では,大域空間情報を捕捉し,高分解能画像に適した画像SRのための再帰一般化変換器(RGT)を提案する。 我々は,RG-SAと局所的自己意識を組み合わせることで,グローバルな文脈の活用を促進する。 我々のRGTは最近の最先端の手法よりも定量的に質的に優れている。
  論文  参考訳（メタデータ） (2023-03-11T10:44:44Z)
• Learning Continuous Depth Representation via Geometric Spatial Aggregator [47.1698365486215]
  深度マップ超解法(DSR)のための新しい連続深度表現法を提案する。 この表現の中心は我々の提案した幾何空間アグリゲータ(GSA)であり、これは任意にアップサンプリングされたターゲットグリッドにより変調された距離場を利用する。 また、局所座標間の関数マッピングを構築するための原理的な方法を持つGeoDSRというトランスフォーマースタイルのバックボーンも提示する。
  論文  参考訳（メタデータ） (2022-12-07T07:48:23Z)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• 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)

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。