論文の概要: SAR-to-RGB Translation with Latent Diffusion for Earth Observation

• arxiv url: http://arxiv.org/abs/2504.11154v1
• Date: Tue, 15 Apr 2025 12:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:06:44.278531
• Title: SAR-to-RGB Translation with Latent Diffusion for Earth Observation
• Title（参考訳）: 遅延拡散を用いた地球観測のためのSAR-to-RGB変換
• Authors: Kaan Aydin, Joelle Hanna, Damian Borth,
• Abstract要約: 本稿では,SAR入力から合成光学画像を生成するための拡散モデル(DM)に基づくSAR-to-RGB変換手法を提案する。 本研究は,陸地被覆分類や雲の除去を含む下流作業において生成した画像を評価する。 本研究は,RGB画像が欠落しているRSアプリケーションにおいて,SAR-to-RGB翻訳のためのDMの可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 5.182014186927255
• License:
• Abstract: Earth observation satellites like Sentinel-1 (S1) and Sentinel-2 (S2) provide complementary remote sensing (RS) data, but S2 images are often unavailable due to cloud cover or data gaps. To address this, we propose a diffusion model (DM)-based approach for SAR-to-RGB translation, generating synthetic optical images from SAR inputs. We explore three different setups: two using Standard Diffusion, which reconstruct S2 images by adding and removing noise (one without and one with class conditioning), and one using Cold Diffusion, which blends S2 with S1 before removing the SAR signal. We evaluate the generated images in downstream tasks, including land cover classification and cloud removal. While generated images may not perfectly replicate real S2 data, they still provide valuable information. Our results show that class conditioning improves classification accuracy, while cloud removal performance remains competitive despite our approach not being optimized for it. Interestingly, despite exhibiting lower perceptual quality, the Cold Diffusion setup performs well in land cover classification, suggesting that traditional quantitative evaluation metrics may not fully reflect the practical utility of generated images. Our findings highlight the potential of DMs for SAR-to-RGB translation in RS applications where RGB images are missing.
• Abstract（参考訳）: Sentinel-1 (S1) やSentinel-2 (S2) のような地球観測衛星は、補完的なリモートセンシング(RS)データを提供しているが、S2画像は雲やデータギャップのために利用できないことが多い。 そこで本研究では,SAR入力から合成光学画像を生成するSAR-to-RGB変換のための拡散モデル(DM)に基づくアプローチを提案する。 また,SAR信号を除去する前にS2とS1を混合したCold Diffusionを用いてS2画像の合成と除去を行う。 本研究は,土地被覆分類や雲の除去を含む下流作業において生成した画像を評価する。 生成された画像は本物のS2データを完璧に再現するわけではないが、それでも貴重な情報を提供する。 この結果から,分類精度が向上する一方,クラウド除去性能は最適化されていないにもかかわらず競争力を維持していることが明らかとなった。 興味深いことに、知覚品質が低いにもかかわらず、Cold Diffusionのセットアップは土地被覆分類において良好に機能し、従来の定量的評価指標は生成された画像の実用性を十分に反映していない可能性がある。 本研究は,RGB画像が欠落しているRSアプリケーションにおいて,SAR-to-RGB翻訳のためのDMの可能性を明らかにするものである。

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)
• Joint Image De-noising and Enhancement for Satellite-Based SAR [0.0]
  合成開口レーダ(SAR)データから再構成した画像は、乗算ノイズと低コントラストレベルに悩まされる。 本稿では,これらの欠点を同時に扱う手法を提案する。 実際、ノイズ除去とコントラスト強化のプロセスを統一されたアルゴリズムに組み合わせる。
  論文  参考訳（メタデータ） (2024-08-06T18:44:16Z)
• Facilitating Advanced Sentinel-2 Analysis Through a Simplified Computation of Nadir BRDF Adjusted Reflectance [0.8971132850029493]
  sen2nbar は Sentinel-2 (S2) Surface Reflectance (SR) データを Nadir BRDF Adjusted Reflectance (NBAR) に変換するために作られた Python パッケージである。 Sen2nbarは、多様なデータフォーマット要求を処理する柔軟なツールとして開発されている。
  論文  参考訳（メタデータ） (2024-04-24T11:26:47Z)
• Non-Visible Light Data Synthesis and Application: A Case Study for Synthetic Aperture Radar Imagery [30.590315753622132]
  非可視光領域における安定拡散やイメージnのような大規模事前学習画像生成モデルの「隠れ」能力について検討する。 2段階の低ランク適応法を提案し,これを2LoRAと呼ぶ。 第1段階では、構造がSARと一致する空中視正則画像データを用いてモデルを適応させ、続いて第1段階からのベースモデルをSARモダリティデータによりさらに適応させる第2段階とする。
  論文  参考訳（メタデータ） (2023-11-29T09:48:01Z)
• Semantic Scene Completion with Cleaner Self [93.99441599791275]
  セマンティックシーンコンプリート(SSC)は、単一のビュー深さと/またはRGB 2Dピクセルの画像を3Dボクセルに変換し、それぞれのセマンティックラベルが予測される。 SSCは、予測モデルが目に見える表面の背後にあるものを「想像する」必要があるため、よく知られた偽装問題であり、通常はTrncated Signed Distance Function (TSDF) によって表される。 我々は3Dボクセルを用いて、TSDF-CADと呼ばれる完全な可視表面を生成し、次に「クリーン」なSSCモデルを訓練する。 モデルはノイズフリーなので、期待できる。
  論文  参考訳（メタデータ） (2023-03-17T13:50:18Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Residual Contrastive Learning for Joint Demosaicking and Denoising [49.81596361351967]
  RAW画像,残差コントラスト学習(RCL)における新しいコントラスト学習手法を提案する。 本研究は,各RAW画像に含まれる雑音が信号に依存しているという仮定に基づいて構築した。 我々は、未知の(ランダムな)ノイズ分散を伴う教師なしJDDタスクに対する新しいベンチマークを設定した。
  論文  参考訳（メタデータ） (2021-06-18T11:37:05Z)
• Cloud removal in remote sensing images using generative adversarial networks and SAR-to-optical image translation [0.618778092044887]
  雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。 本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題の解決を試みる。 第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。
  論文  参考訳（メタデータ） (2020-12-22T17:19:14Z)
• 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)
• Self-Supervised Ranking for Representation Learning [108.38993212650577]
  本稿では、画像検索コンテキストにおけるランキング問題として定式化することで、自己教師型表現学習のための新しいフレームワークを提案する。 我々は、画像のランダムなビューが正に関連していると考えられるランク付けのための平均精度(AP)を最大化し、表現エンコーダを訓練する。 原則として、ランク付け基準を使用することで、対象中心のキュレートされたデータセットへの依存を排除します。
  論文  参考訳（メタデータ） (2020-10-14T17:24:56Z)

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。