論文の概要: High-Quality Cloud-Free Optical Image Synthesis Using Multi-Temporal SAR and Contaminated Optical Data
- arxiv url: http://arxiv.org/abs/2504.16870v1
- Date: Wed, 23 Apr 2025 16:44:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 15:14:02.209969
- Title: High-Quality Cloud-Free Optical Image Synthesis Using Multi-Temporal SAR and Contaminated Optical Data
- Title（参考訳）: マルチテンポラルSARと汚染光データを用いた高品質クラウドフリー光画像合成
- Authors: Chenxi Duan,
- Abstract要約: 本稿では,特にクラウド被覆を伴う複雑なシナリオにおいて,光学データ合成の欠如に対処する。
そこで我々は,DownUp BlockやFusion Attentionなどの革新的な設計モジュールを組み込んだ新しい画像合成ネットワークであるCR SynthNetを提案する。
CR SynthNetの有効性を検証し, 構造的詳細の復元, スペクトルの保存, 比較法よりはるかに優れた視覚効果を実現した。
- 参考スコア（独自算出の注目度）: 1.5410557873153836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Addressing gaps caused by cloud cover and the long revisit cycle of satellites is vital for providing essential data to support remote sensing applications. This paper tackles the challenges of missing optical data synthesis, particularly in complex scenarios with cloud cover. We propose CRSynthNet, a novel image synthesis network that incorporates innovative designed modules such as the DownUp Block and Fusion Attention to enhance accuracy. Experimental results validate the effectiveness of CRSynthNet, demonstrating substantial improvements in restoring structural details, preserving spectral consist, and achieving superior visual effects that far exceed those produced by comparison methods. It achieves quantitative improvements across multiple metrics: a peak signal-to-noise ratio (PSNR) of 26.978, a structural similarity index measure (SSIM) of 0.648, and a root mean square error (RMSE) of 0.050. Furthermore, this study creates the TCSEN12 dataset, a valuable resource specifically designed to address cloud cover challenges in missing optical data synthesis study. The dataset uniquely includes cloud-covered images and leverages earlier image to predict later image, offering a realistic representation of real-world scenarios. This study offer practical method and valuable resources for optical satellite image synthesis task.
- Abstract（参考訳）: 雲の覆いと衛星の長い再訪サイクルによって引き起こされるギャップに対処することは、リモートセンシングアプリケーションをサポートするために不可欠なデータを提供するために不可欠である。
本稿では,特にクラウド被覆を伴う複雑なシナリオにおいて,光学データ合成の欠如に対処する。
CRSynthNetは、DownUp BlockやFusion Attentionといった革新的な設計モジュールを組み込んだ画像合成ネットワークである。
CRSynthNetの有効性を検証し、構造的詳細を復元し、スペクトルを保存し、比較法よりはるかに優れた視覚効果を達成した。
ピーク信号対雑音比(PSNR)は26.978、構造類似度指数(SSIM)は0.648、根平均二乗誤差(RMSE)は0.050である。
さらに、この研究は、光学データ合成研究の欠如において、クラウドカバーの課題に対処するために特別に設計された貴重なリソースであるTCSEN12データセットを作成する。
このデータセットには、雲に覆われたイメージが含まれており、初期のイメージを活用して後のイメージを予測することで、現実のシナリオの現実的な表現を提供する。
本研究は,光衛星画像合成作業における実用的手法と有用な資源を提供する。
関連論文リスト
- Cloud Removal With PolSAR-Optical Data Fusion Using A Two-Flow Residual Network [9.529237717137121]
近年,クラウドフリーの光学画像の再構成が重要な課題となっている。
本稿では,2フローポラリメトリック合成開口レーダ(PolSAR)-オプティカルデータ融合雲除去アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-14T07:35:14Z) - SynDroneVision: A Synthetic Dataset for Image-Based Drone Detection [3.9061053498250753]
監視アプリケーションにおけるRGBベースのドローン検出に特化した合成データセットであるSynDroneVisionを提案する。
この結果から,SynDroneVisionは実世界のデータ収集に有用な資源であり,実世界のデータ取得の時間とコストを大幅に削減しつつ,モデル性能とロバスト性を大幅に向上させることができた。
論文 参考訳（メタデータ） (2024-11-08T15:22:49Z) - Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。
合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。
提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
論文 参考訳（メタデータ） (2024-03-28T22:25:05Z) - Learning from Synthetic Data for Visual Grounding [55.21937116752679]
そこで本研究では,SynGroundが市販のビジョン・アンド・ランゲージモデルのローカライズ能力を向上できることを示す。
SynGroundで生成されたデータは、事前訓練されたALBEFモデルとBLIPモデルのポインティングゲーム精度をそれぞれ4.81%、絶対パーセンテージポイント17.11%向上させる。
論文 参考訳（メタデータ） (2024-03-20T17:59:43Z) - UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-10-25T00:20:37Z) - SyntheWorld: A Large-Scale Synthetic Dataset for Land Cover Mapping and
Building Change Detection [20.985372561774415]
我々は、品質、多様性、スケールに比類しない合成データセットであるSyntheWorldを提示する。
サブメーターレベルのピクセルを持つ4万枚の画像と8つのカテゴリの詳細なランドカバーアノテーションを含んでいる。
リモートセンシング画像処理研究を容易にするためのSyntheWorldをリリースする。
論文 参考訳（メタデータ） (2023-09-05T02:42:41Z) - DiffCR: A Fast Conditional Diffusion Framework for Cloud Removal from
Optical Satellite Images [27.02507384522271]
本稿では,光衛星画像の高速クラウド除去に深部畳み込みネットワークを用いた条件付き拡散を利用したDiffCRという新しいフレームワークを提案する。
条件付き特徴抽出のための分離エンコーダを導入し、条件付き入力と合成出力との外観情報の密接な類似性を確保するために、ロバストな色表現を提供する。
論文 参考訳（メタデータ） (2023-08-08T17:34:28Z) - RTMV: A Ray-Traced Multi-View Synthetic Dataset for Novel View Synthesis [104.53930611219654]
約2000の複雑なシーンからレンダリングされた300k画像からなる,新しいビュー合成のための大規模合成データセットを提案する。
データセットは、新しいビュー合成のための既存の合成データセットよりも桁違いに大きい。
高品質な3Dメッシュの4つのソースを使用して、私たちのデータセットのシーンは、カメラビュー、照明、形状、材料、テクスチャの難しいバリエーションを示します。
論文 参考訳（メタデータ） (2022-05-14T13:15:32Z) - Comparison of convolutional neural networks for cloudy optical images
reconstruction from single or multitemporal joint SAR and optical images [0.21079694661943604]
本研究では,SARと光画像を用いた畳み込みニューラルネットワークの評価に着目する。
光画像再構成を目的としたディープネットのトレーニングのためのデータセット作成を容易にするシンプルなフレームワークを提案する。
空間分割データ構造が,クラウドカバレッジ,相対的取得日,画素の妥当性,SARと光学画像との相対的近接といった点において,サンプルのクエリにどのように役立つかを示す。
論文 参考訳（メタデータ） (2022-04-01T13:31:23Z) - NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。
この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。
我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文 参考訳（メタデータ） (2021-06-09T17:59:10Z) - Attention Based Real Image Restoration [48.933507352496726]
深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。
本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
論文 参考訳（メタデータ） (2020-04-26T04:21:49Z)
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。