論文の概要: Advancing Image Super-resolution Techniques in Remote Sensing: A Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2505.23248v2
- Date: Sat, 31 May 2025 15:24:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-03 13:48:30.050014
- Title: Advancing Image Super-resolution Techniques in Remote Sensing: A Comprehensive Survey
- Title（参考訳）: リモートセンシングにおける画像超解像技術の適用:総合的調査
- Authors: Yunliang Qi, Meng Lou, Yimin Liu, Lu Li, Zhen Yang, Wen Nie,
- Abstract要約: リモートセンシング画像超解像(RSISR)は,リモートセンシング画像処理において重要な課題である。
近年、RSISR法が提案されているが、これらの手法の体系的かつ包括的なレビューはいまだに欠落している。
本稿では、RSISRアルゴリズムの徹底的なレビューを行い、方法論、データセット、評価指標について述べる。
- 参考スコア（独自算出の注目度）: 15.858551864010703
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Remote sensing image super-resolution (RSISR) is a crucial task in remote sensing image processing, aiming to reconstruct high-resolution (HR) images from their low-resolution (LR) counterparts. Despite the growing number of RSISR methods proposed in recent years, a systematic and comprehensive review of these methods is still lacking. This paper presents a thorough review of RSISR algorithms, covering methodologies, datasets, and evaluation metrics. We provide an in-depth analysis of RSISR methods, categorizing them into supervised, unsupervised, and quality evaluation approaches, to help researchers understand current trends and challenges. Our review also discusses the strengths, limitations, and inherent challenges of these techniques. Notably, our analysis reveals significant limitations in existing methods, particularly in preserving fine-grained textures and geometric structures under large-scale degradation. Based on these findings, we outline future research directions, highlighting the need for domain-specific architectures and robust evaluation protocols to bridge the gap between synthetic and real-world RSISR scenarios.
- Abstract（参考訳）: リモートセンシング画像超解像(RSISR)は,高分解能画像(HR)を低分解能画像(LR)から再構成することを目的とした,リモートセンシング画像処理において重要な課題である。
近年、RSISR法が提案されているが、これらの手法の体系的かつ包括的なレビューはいまだに欠落している。
本稿では、RSISRアルゴリズムの徹底的なレビューを行い、方法論、データセット、評価指標について述べる。
我々は、RSISR法を詳細に分析し、教師なし、教師なし、品質評価アプローチに分類し、研究者が現在の傾向や課題を理解するのに役立つ。
レビューでは、これらのテクニックの強み、限界、および固有の課題についても論じている。
特に, 大規模劣化下での微粒なテクスチャや幾何学的構造の保存には, 既存手法の限界が顕著である。
これらの知見に基づき、本研究の今後の方向性を概説し、ドメイン固有のアーキテクチャと、合成RSISRシナリオと実世界のRSISRシナリオのギャップを埋めるための堅牢な評価プロトコルの必要性を強調した。
関連論文リスト
- State-of-the-Art Transformer Models for Image Super-Resolution: Techniques, Challenges, and Applications [0.0]
Image Super-Resolutionは、解像度の低い画像から高解像度の画像を復元することを目的としている。
近年のトランス方式の進歩により画像の超解像化が進んでいる。
論文 参考訳（メタデータ） (2025-01-14T05:43:59Z) - Remote Sensing Object Detection Meets Deep Learning: A Meta-review of
Challenges and Advances [51.70835702029498]
本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。
RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。
また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
論文 参考訳（メタデータ） (2023-09-13T06:48:32Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳（メタデータ） (2023-02-19T15:43:54Z) - Hitchhiker's Guide to Super-Resolution: Introduction and Recent Advances [3.966405801901351]
スーパーレゾリューション(SR)は繁栄する研究領域となっている。
有望な結果にもかかわらず、この分野はさらなる研究を必要とする課題に直面している。
このレビューは究極的には、研究者がSRに適用されるDLの境界を押し上げるのを助けることを目的としている。
論文 参考訳（メタデータ） (2022-09-27T03:28:34Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳（メタデータ） (2022-06-20T10:05:38Z) - Tensor Decompositions for Hyperspectral Data Processing in Remote
Sensing: A Comprehensive Review [85.36368666877412]
ハイパースペクトル(HS)リモートセンシング(RS)イメージングは、地球表面の観測と分析のためにかなりの量の空間的およびスペクトル的情報を提供している。
近年のHS RS技術の進歩と革命は、様々な応用の可能性を実現する機会を与えている。
3次元HS固有の構造が維持されているため、テンソル分解はHSデータ処理タスクにおける幅広い関心や研究を引き起こしている。
論文 参考訳（メタデータ） (2022-05-13T00:39:23Z) - Generative Adversarial Networks for Image Super-Resolution: A Survey [49.567332038602785]
単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。
近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。
本稿では,異なる視点からGANの比較研究を行う。
論文 参考訳（メタデータ） (2022-04-28T16:35:04Z) - Real-World Single Image Super-Resolution: A Brief Review [44.14123585227239]
単一画像超解像(SISR)は、低解像(LR)観測から高解像(HR)画像を再構成することを目的とする。
深層学習に基づく超解像法が注目され,合成データの再構成性能が大幅に向上した。
論文 参考訳（メタデータ） (2021-03-03T12:41:44Z) - A Comprehensive Review of Deep Learning-based Single Image
Super-resolution [4.234711903716694]
この調査は、ディープラーニングの観点からの超解像の分野での最近の進歩を詳細に調査する試みである。
本調査は,画像sr法を,古典法,教師付き学習法,教師なし学習法,ドメイン固有sr法という4つのカテゴリに分類した。
SRの深層学習に基づくアプローチは参照データセットを用いて評価される。
論文 参考訳（メタデータ） (2021-02-18T14:04:25Z)
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。