論文の概要: When Cloud Removal Meets Diffusion Model in Remote Sensing

• arxiv url: http://arxiv.org/abs/2504.14785v1
• Date: Mon, 21 Apr 2025 00:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 20:07:53.644121
• Title: When Cloud Removal Meets Diffusion Model in Remote Sensing
• Title（参考訳）: リモートセンシングにおける拡散モデルと雲の除去
• Authors: Zhenyu Yu, Mohd Yamani Idna Idris, Pei Wang,
• Abstract要約: リモートセンシング画像における雲除去のための新しいフレームワークであるDC4CR(Diffusion Control for Cloud removal)を提案する。 提案手法では, 予め生成した雲面に頼らずに, 薄い雲と厚い雲を選択的に除去できるプロンプト駆動制御を導入する。 RICEとCUHK-CRデータセットの実験では、最先端のパフォーマンスを示し、さまざまな条件で優れたクラウド除去を実現している。
• 参考スコア（独自算出の注目度）: 4.824120664293887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud occlusion significantly hinders remote sensing applications by obstructing surface information and complicating analysis. To address this, we propose DC4CR (Diffusion Control for Cloud Removal), a novel multimodal diffusion-based framework for cloud removal in remote sensing imagery. Our method introduces prompt-driven control, allowing selective removal of thin and thick clouds without relying on pre-generated cloud masks, thereby enhancing preprocessing efficiency and model adaptability. Additionally, we integrate low-rank adaptation for computational efficiency, subject-driven generation for improved generalization, and grouped learning to enhance performance on small datasets. Designed as a plug-and-play module, DC4CR seamlessly integrates into existing cloud removal models, providing a scalable and robust solution. Extensive experiments on the RICE and CUHK-CR datasets demonstrate state-of-the-art performance, achieving superior cloud removal across diverse conditions. This work presents a practical and efficient approach for remote sensing image processing with broad real-world applications.
• Abstract（参考訳）: 雲の閉塞は、表面情報の妨害と解析の複雑化によってリモートセンシングアプリケーションを著しく阻害する。 そこで本研究では,リモートセンシング画像における雲除去のための新しい多モード拡散ベースフレームワークであるDC4CRを提案する。 本手法では, プリプロセッシング効率とモデル適応性を向上させるため, プリプロセッシング制御を導入し, プリプロセッシングマスクに頼らずに, 薄い雲と厚い雲を選択的に除去する。 さらに、計算効率向上のための低ランク適応、一般化向上のための主観駆動生成、小データセットの性能向上のためのグループ学習を統合する。 プラグインモジュールとして設計されたDC4CRは、既存のクラウド削除モデルにシームレスに統合され、スケーラブルで堅牢なソリューションを提供する。 RICEとCUHK-CRデータセットに関する大規模な実験は、最先端のパフォーマンスを示し、さまざまな条件で優れたクラウド除去を実現している。 本研究は,広義のリアルタイムアプリケーションを用いたリモートセンシング画像処理のための,実用的で効率的な手法を提案する。

関連論文リスト

• Multimodal Diffusion Bridge with Attention-Based SAR Fusion for Satellite Image Cloud Removal [15.014162404892557]
  クラウド除去のための拡散ブリッジ、DB-CR、クラウドとクラウドフリーの画像分散の間のブリッジ。 DB-CRは計算効率が良く、高忠実度が得られる。
  論文  参考訳（メタデータ） (2025-04-04T17:25:49Z)
• Patch-GAN Transfer Learning with Reconstructive Models for Cloud Removal [17.690698736544626]
  クラウド除去はリモートセンシング画像解析の強化において重要な役割を担っているが、クラウドオブサークされた領域を正確に再構築することは大きな課題である。 生成モデルの最近の進歩は、現実的な画像の生成をますますアクセスしやすくしている。 本稿では,GAN(Generative Adversarial Network)フレームワーク上に構築された深層移動学習手法を提案し,雲除去における新しいマスク付きオートエンコーダ(MAE)画像再構成モデルの可能性について検討する。
  論文  参考訳（メタデータ） (2025-01-09T14:19:46Z)
• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• 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)
• Fast Training of Diffusion Transformer with Extreme Masking for 3D Point Clouds Generation [64.99362684909914]
  我々は,効率的な3次元点雲生成に適したマスク付き拡散変圧器であるFastDiT-3Dを提案する。 また,新しいボクセル対応マスキング手法を提案し,ボクセル化点雲から背景・地上情報を適応的に集約する。 本手法は, マスキング比が99%近い最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-12-12T12:50:33Z)
• PMAA: A Progressive Multi-scale Attention Autoencoder Model for High-performance Cloud Removal from Multi-temporal Satellite Imagery [26.694734522423797]
  本研究では,PMAA(Progressive Multi-scale Attention Autoencoder)と呼ばれる高性能クラウド除去アーキテクチャを提案する。 PMAAはグローバルおよびローカル情報を利用して、新しいマルチスケールアテンションモジュール(MAM)と新しいローカルインタラクションモジュール(LIM)を使用して、堅牢なコンテキスト依存を構築する PMAAは、以前の最先端モデルCTGANを2つのベンチマークデータセットで一貫して上回っている。
  論文  参考訳（メタデータ） (2023-03-29T09:47:48Z)
• Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
  本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。 IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。 スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
  論文  参考訳（メタデータ） (2023-03-29T07:02:20Z)
• Multi-Head Linear Attention Generative Adversarial Network for Thin Cloud Removal [5.753245638190626]
  雲の薄い除去はリモートセンシング画像の利用を高めるために欠かせない手順である。 薄層雲除去のためのマルチヘッド線形注意生成ネットワーク(MLAGAN)を提案する。 6つのディープラーニングベースのシンクラウド除去ベンチマークと比較して、RICE1およびRICE2データセットの実験結果は、提案されたフレームワークMLA-GANがシンクラウド除去に優勢であることを示しています。
  論文  参考訳（メタデータ） (2020-12-20T11:50:54Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。