論文の概要: Salient Region-Guided Spacecraft Image Arbitrary-Scale Super-Resolution Network

• arxiv url: http://arxiv.org/abs/2504.18127v1
• Date: Fri, 25 Apr 2025 07:23:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.671912
• Title: Salient Region-Guided Spacecraft Image Arbitrary-Scale Super-Resolution Network
• Title（参考訳）: 静止領域誘導型宇宙機画像任意スケール超解像ネットワーク
• Authors: Jingfan Yang, Hu Gao, Ying Zhang, Depeng Dang,
• Abstract要約: 本稿では、SGSASR(Salient region-guided spacecraft image arbitrary-scale super- resolution network)を提案する。 SGSASRは、潜航変調を誘導し、任意のスケールの超解像を達成するために、宇宙船のコア・サリエント領域の特徴を用いる。 本稿では,AFFEM(Adaptive-weighted Feature fusion enhancement mechanism)を提案する。
• 参考スコア（独自算出の注目度）: 3.8447306272420816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spacecraft image super-resolution seeks to enhance low-resolution spacecraft images into high-resolution ones. Although existing arbitrary-scale super-resolution methods perform well on general images, they tend to overlook the difference in features between the spacecraft core region and the large black space background, introducing irrelevant noise. In this paper, we propose a salient region-guided spacecraft image arbitrary-scale super-resolution network (SGSASR), which uses features from the spacecraft core salient regions to guide latent modulation and achieve arbitrary-scale super-resolution. Specifically, we design a spacecraft core region recognition block (SCRRB) that identifies the core salient regions in spacecraft images using a pre-trained saliency detection model. Furthermore, we present an adaptive-weighted feature fusion enhancement mechanism (AFFEM) to selectively aggregate the spacecraft core region features with general image features by dynamic weight parameter to enhance the response of the core salient regions. Experimental results demonstrate that the proposed SGSASR outperforms state-of-the-art approaches.
• Abstract（参考訳）: 宇宙船画像の超高解像度化は、低解像度の宇宙船画像の高解像度化を目指している。 既存の任意のスケールの超解像法は一般的な画像ではうまく機能するが、宇宙船のコア領域と大きな黒空間の背景の特徴の違いを見落とし、無関係なノイズを生じさせる傾向にある。 本稿では,SGSASR(Salient region-guided spacecraft image arbitrary-scale Super- resolution network)を提案する。 具体的には、予め訓練された塩分濃度検出モデルを用いて、宇宙船画像の中核塩分領域を識別する宇宙船コア領域認識ブロック(SCRRB)を設計する。 さらに,AFFEM(Adaptive-weighted Feature fusion enhancement mechanism)により,宇宙船のコア領域の特徴を動的重みパラメータによって一般画像特徴に選択的に集約し,コアのサリアント領域の応答を高める。 実験の結果,提案したSGSASRは最先端のアプローチよりも優れていた。

関連論文リスト

• HSRMamba: Contextual Spatial-Spectral State Space Model for Single Hyperspectral Super-Resolution [41.93421212397078]
  Mambaは、その強力なグローバルモデリング能力と線形計算複雑性のために、視覚タスクにおいて例外的な性能を示した。 HSISRでは、Mambaは画像を1Dシーケンスに変換することで、局所的に隣接するピクセル間の空間-スペクトル構造関係を無視しているため、課題に直面している。 本研究では,HSISRにおける空間スペクトルモデリング状態空間モデルHSRMambaを提案する。
  論文  参考訳（メタデータ） (2025-01-30T17:10:53Z)
• HSR-KAN: Efficient Hyperspectral Image Super-Resolution via Kolmogorov-Arnold Networks [0.16385815610837165]
  低分解能HSIと高分解能マルチスペクトル画像(HR-MSI)を融合する効率的なHSI超解像(HSI-SR)モデルを提案する。 HR-MSIからの空間情報の効果的な統合を実現するために,kansに基づく融合モジュールを設計する。 kansと統合されたチャネルアテンションモジュールとして、kan-CABはネットワークがスペクトルシーケンスや空間テクスチャの詳細を正確にシミュレートすることを可能にする。
  論文  参考訳（メタデータ） (2024-08-24T02:51:51Z)
• Cross-Scope Spatial-Spectral Information Aggregation for Hyperspectral Image Super-Resolution [47.12985199570964]
  超高分解能超高分解能画像の長距離空間およびスペクトル類似性を調べるために,新しいクロススコープ空間スペクトル変換器(CST)を提案する。 具体的には,長距離空間スペクトル特性を包括的にモデル化するために,空間次元とスペクトル次元のクロスアテンション機構を考案する。 3つの超スペクトルデータセットに対する実験により、提案したCSTは他の最先端手法よりも定量的にも視覚的にも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-29T03:38:56Z)
• SSIF: Learning Continuous Image Representation for Spatial-Spectral Super-Resolution [73.46167948298041]
  本稿では,空間領域における連続画素座標とスペクトル領域における連続波長の両方の関数として,画像を表すニューラル暗黙モデルを提案する。 SSIFは空間分解能とスペクトル分解能の両方によく対応していることを示す。 ダウンストリームタスクのパフォーマンスを1.7%-7%向上させる高解像度画像を生成することができる。
  論文  参考訳（メタデータ） (2023-09-30T15:23:30Z)
• Passive superresolution imaging of incoherent objects [63.942632088208505]
  手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。 ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:09Z)
• Effectivity of super resolution convolutional neural network for the enhancement of land cover classification from medium resolution satellite images [0.0]
  超解像畳み込みニューラルネットワーク(SRCNN)は、確立された認識方法の下でも、画素の誤分類の可能性を小さくする。 本研究では,サンダーバンの異なる領域のLANDSAT-7画像と,バイリンarvolution,バイコビック,SRCNNによるアップスケールバージョンについて検討した。
  論文  参考訳（メタデータ） (2022-07-05T20:48:03Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Fusformer: A Transformer-based Fusion Approach for Hyperspectral Image Super-resolution [9.022005574190182]
  低分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させるトランスフォーマーに基づくネットワークを設計する。 LR-HSIは主スペクトル構造を持つため、ネットワークは空間的詳細推定に重点を置いている。 様々な実験と品質指標は、他の最先端手法と比較して、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2021-09-05T14:00:34Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)
• PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
  PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。 本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-08T16:44:31Z)

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。