論文の概要: DiffFuSR: Super-Resolution of all Sentinel-2 Multispectral Bands using Diffusion Models
- arxiv url: http://arxiv.org/abs/2506.11764v1
- Date: Fri, 13 Jun 2025 13:18:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.805369
- Title: DiffFuSR: Super-Resolution of all Sentinel-2 Multispectral Bands using Diffusion Models
- Title（参考訳）: DiffFuSR:拡散モデルを用いた全センチネル-2マルチスペクトルバンドの超解法
- Authors: Muhammad Sarmad, Arnt-Børre Salberg, Michael Kampffmeyer,
- Abstract要約: 本稿では,Sentinel-2 Level-2A画像の12のスペクトル帯域を超解像するモジュールパイプラインDiffFuSRを提案する。
パイプラインは、(i)拡散ベース超解像(SR)モデルで、NAIPとWorldStratデータセットから高分解能RGB画像に基づいてトレーニングされ、Sentinel-2特性をシミュレートするために調和し、(ii)超解像RGB画像を用いて残りのマルチスペクトルバンドを空間的にスケールアップする学習融合ネットワークである。
- 参考スコア（独自算出の注目度）: 12.227962960123016
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents DiffFuSR, a modular pipeline for super-resolving all 12 spectral bands of Sentinel-2 Level-2A imagery to a unified ground sampling distance (GSD) of 2.5 meters. The pipeline comprises two stages: (i) a diffusion-based super-resolution (SR) model trained on high-resolution RGB imagery from the NAIP and WorldStrat datasets, harmonized to simulate Sentinel-2 characteristics; and (ii) a learned fusion network that upscales the remaining multispectral bands using the super-resolved RGB image as a spatial prior. We introduce a robust degradation model and contrastive degradation encoder to support blind SR. Extensive evaluations of the proposed SR pipeline on the OpenSR benchmark demonstrate that the proposed method outperforms current SOTA baselines in terms of reflectance fidelity, spectral consistency, spatial alignment, and hallucination suppression. Furthermore, the fusion network significantly outperforms classical pansharpening approaches, enabling accurate enhancement of Sentinel-2's 20 m and 60 m bands. This study underscores the power of harmonized learning with generative priors and fusion strategies to create a modular framework for Sentinel-2 SR. Our code and models can be found at https://github.com/NorskRegnesentral/DiffFuSR.
- Abstract（参考訳）: 本稿では,DiffFuSRについて述べる。DiffFuSRは,Sentinel-2 Level-2A画像の12のスペクトル帯域を2.5mの統一地サンプリング距離(GSD)に超解けるモジュールパイプラインである。
パイプラインは2つのステージから構成される。
i)拡散型超解像(SR)モデル : NAIPデータセットとWorldStratデータセットの高分解能RGB画像に基づいて,Sentinel-2特性をシミュレートするために調和したモデル。
(II)超解像RGB画像を空間的先行として,残りのマルチスペクトル帯域をスケールアップする学習融合ネットワーク。
ブラインドSRをサポートするために,ロバスト劣化モデルとコントラスト劣化エンコーダを導入する。
提案したSRパイプラインをOpenSRベンチマークで広範囲に評価した結果,提案手法は反射率の忠実度,スペクトルの整合性,空間アライメント,幻覚抑制の点で,現在のSOTAベースラインよりも優れていた。
さらに、融合ネットワークは古典的なパンシャーピングのアプローチを著しく上回り、センチネル-2の20mおよび60m帯の正確な拡張を可能にした。
本研究は,Sentinel-2 SR のモジュラーフレームワークを構築するために,生成先行と融合戦略を併用した調和学習の力を強調した。
私たちのコードとモデルはhttps://github.com/NorskRegnesentral/DiffFuSR.comで参照できます。
関連論文リスト
- Lightweight RGB-D Salient Object Detection from a Speed-Accuracy Tradeoff Perspective [54.91271106816616]
現在のRGB-D法は通常、大規模なバックボーンを利用して精度を向上させるが効率を犠牲にする。
本稿では,軽量RGB-D SODのためのSATNet(Speed-Accuracy Tradeoff Network)を提案する。
深度について,高品質の深度マップを生成するための深度任意のモデルを導入する。
モダリティ融合において,モダリティ間の整合性を検討するために,DAM(Decoupled Attention Module)を提案する。
特徴表現のために,双方向の反転フレームワークを用いたDIRM (Dual Information Representation Module) を開発した。
論文 参考訳（メタデータ） (2025-05-07T19:37:20Z) - ΩSFormer: Dual-Modal Ω-like Super-Resolution Transformer Network for Cross-scale and High-accuracy Terraced Field Vectorization Extraction [14.821191612452418]
棚田は土壌・水質保全(SWC)の重要な工学的実践である
本研究は,知的TFVEのための新しい2モードOmega型超解像トランスネットワークを提案する最初のものである。
論文 参考訳（メタデータ） (2024-11-26T04:00:28Z) - A Hybrid Transformer-Mamba Network for Single Image Deraining [70.64069487982916]
既存のデラリング変換器では、固定レンジウィンドウやチャネル次元に沿って自己アテンション機構を採用している。
本稿では,多分岐型トランスフォーマー・マンバネットワーク(Transformer-Mamba Network,TransMamba Network,Transformer-Mamba Network)を提案する。
論文 参考訳（メタデータ） (2024-08-31T10:03:19Z) - Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。
より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。
我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文 参考訳（メタデータ） (2024-05-08T11:09:24Z) - SSDiff: Spatial-spectral Integrated Diffusion Model for Remote Sensing Pansharpening [14.293042131263924]
本稿では,空間スペクトル統合拡散モデルを導入し,リモートセンシングパンシャーピングタスクであるSSDiffについて述べる。
SSDiffは、パンシャルペン過程を部分空間分解の観点から、空間成分とスペクトル成分の融合過程とみなしている。
論文 参考訳（メタデータ） (2024-04-17T16:30:56Z) - L1BSR: Exploiting Detector Overlap for Self-Supervised Single-Image
Super-Resolution of Sentinel-2 L1B Imagery [14.233972890133769]
高解像度衛星画像は、多くの地球観測アプリケーションにとって重要な要素である。
信頼性の高い高解像度基底真理の欠如は、このタスクへのディープラーニング手法の適用を制限する。
L1BSRは,Sentinel-2 L1B 10m帯の単一像超解像およびバンドアライメントのための深層学習に基づく手法である。
論文 参考訳（メタデータ） (2023-04-14T00:17:57Z) - Multitemporal and multispectral data fusion for super-resolution of
Sentinel-2 images [11.169492436455423]
DeepSentは、Sentinel-2画像のマルチテンポラリ時系列を超解凍する新しいディープネットワークである。
提案手法は,マルチテンポラル・マルチスペクトルデータ融合を実現する他の最先端技術よりも優れていることを示す。
我々は,実世界のSentinel-2画像の超解像化に本手法を適用し,全スペクトル帯域の空間分解能を3.3mの地中サンプリング距離に向上させた。
論文 参考訳（メタデータ） (2023-01-26T15:01:25Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳（メタデータ） (2020-06-18T06:32:11Z) - Channel Attention based Iterative Residual Learning for Depth Map
Super-Resolution [58.626803922196146]
我々は、合成データセットで訓練されたDSRモデルは制限的であり、実世界のDSRタスクを扱うのに有効ではないと論じる。
我々は、異なる深度センサの現実世界の劣化に対処するために2つの貢献をしている。
4つのモジュールからなる実世界のDSRのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-02T09:12:23Z)
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。