論文の概要: A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction

• arxiv url: http://arxiv.org/abs/2504.12112v1
• Date: Wed, 16 Apr 2025 14:19:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:38:44.756471
• Title: A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction
• Title（参考訳）: 地形認識型リモートセンシング画像再構成のための拡散型フレームワーク
• Authors: Zhenyu Yu, Mohd Yamani Inda Idris, Pei Wang,
• Abstract要約: SatelliteMakerは、さまざまなレベルのデータ損失で失われたデータを再構成する拡散ベースの方法である。 条件入力としてのDEM(Digital Elevation Model)は、リアルな画像を生成するために調整されたプロンプトを使用する。 分散損失に基づくVGG-Adapterモジュール。
• 参考スコア（独自算出の注目度）: 4.824120664293887
• License:
• Abstract: Remote sensing imagery is essential for environmental monitoring, agricultural management, and disaster response. However, data loss due to cloud cover, sensor failures, or incomplete acquisition-especially in high-resolution and high-frequency tasks-severely limits satellite imagery's effectiveness. Traditional interpolation methods struggle with large missing areas and complex structures. Remote sensing imagery consists of multiple bands, each with distinct meanings, and ensuring consistency across bands is critical to avoid anomalies in the combined images. This paper proposes SatelliteMaker, a diffusion-based method that reconstructs missing data across varying levels of data loss while maintaining spatial, spectral, and temporal consistency. We also propose Digital Elevation Model (DEM) as a conditioning input and use tailored prompts to generate realistic images, making diffusion models applicable to quantitative remote sensing tasks. Additionally, we propose a VGG-Adapter module based on Distribution Loss, which reduces distribution discrepancy and ensures style consistency. Extensive experiments show that SatelliteMaker achieves state-of-the-art performance across multiple tasks.
• Abstract（参考訳）: リモートセンシング画像は, 環境モニタリング, 農業管理, 災害対応に不可欠である。 しかし、雲のカバー、センサーの故障、不完全な買収によるデータ損失は、特に高解像度で高周波なタスクにおいて、衛星画像の有効性を著しく制限する。 伝統的な補間法は、大きな欠落した地域や複雑な構造に苦しむ。 リモートセンシング画像は、それぞれ異なる意味を持つ複数のバンドで構成され、バンド間の一貫性を確保することは、組み合わせた画像の異常を避けるために重要である。 本稿では,空間的,スペクトル的,時間的整合性を維持しつつ,データ損失のさまざまなレベルにまたがって欠落したデータを再構成する,拡散に基づくサテライトメーカーを提案する。 また,DEM(Digital Elevation Model)を条件入力として提案し,リアルな画像を生成するための調整されたプロンプトを用いて,定量的なリモートセンシングタスクに適用可能な拡散モデルを提案する。 さらに,分散損失に基づくVGG-Adapterモジュールを提案する。 大規模な実験により、サテライトメーカーは複数のタスクで最先端のパフォーマンスを達成することが示された。

関連論文リスト

• SatFlow: Generative model based framework for producing High Resolution Gap Free Remote Sensing Imagery [0.0]
  SatFlowは低分解能MODIS画像とランドサット観測を融合して高分解能・高分解能表面反射率画像を生成する生成モデルベースフレームワークである。 条件付きフローマッチングを用いて学習した本モデルでは, 構造的・スペクトル的整合性のある画像の生成性能が向上した。 この機能は、作物のフェノロジー追跡や環境変化検出など、下流のアプリケーションに不可欠である。
  論文  参考訳（メタデータ） (2025-02-03T06:40:13Z)
• Deep Multimodal Fusion for Semantic Segmentation of Remote Sensing Earth Observation Data [0.08192907805418582]
  本稿では,セマンティックセグメンテーションのための後期融合深層学習モデル(LF-DLM)を提案する。 1つのブランチは、UNetFormerがキャプチャした空中画像の詳細なテクスチャと、ViT(Multi-Axis Vision Transformer)バックボーンを統合する。 もう一方のブランチは、U-ViNet(U-TAE)を用いてSentinel-2衛星画像Max時系列から複雑な時間ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-01T07:50:37Z)
• 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)
• Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
  大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。 既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。 本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:06:16Z)
• RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
  本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。 RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。 我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
  論文  参考訳（メタデータ） (2024-04-03T12:06:01Z)
• Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote Sensing Imagery [48.14610248492785]
  雲層は、光学リモートセンシング(RS)画像の品質と効果を著しく損なう。 既存のディープラーニング(DL)ベースのクラウド削除(CR)技術は、元の視覚的正当性と画像の詳細なセマンティック内容の正確な再構築に困難を伴う。 この課題に対処するために、データと方法論の面での強化を提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:14:17Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Towards Domain Invariant Single Image Dehazing [34.075765763305235]
  画像中のヘイズの存在は、正確な環境情報を必要とするアプリケーションでは望ましくない基礎となる情報を隠蔽する。 本稿では,エンコーダ・デコーダを用いたネットワークアーキテクチャを用いてデヘイジングを行う。
  論文  参考訳（メタデータ） (2021-01-09T14:14:41Z)

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。