論文の概要: Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain
- arxiv url: http://arxiv.org/abs/2507.05666v1
- Date: Tue, 08 Jul 2025 04:50:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.563377
- Title: Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain
- Title（参考訳）: コンターレット領域におけるpollSAR画像分類のための知識誘導複合拡散モデル
- Authors: Junfei Shi, Yu Cheng, Haiyan Jin, Junhuai Li, Zhaolin Xiao, Maoguo Gong, Weisi Lin,
- Abstract要約: 本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。
具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。
次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
- 参考スコア（独自算出の注目度）: 58.46450049579116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models have demonstrated exceptional performance across various domains due to their ability to model and generate complicated data distributions. However, when applied to PolSAR data, traditional real-valued diffusion models face challenges in capturing complex-valued phase information.Moreover, these models often struggle to preserve fine structural details. To address these limitations, we leverage the Contourlet transform, which provides rich multiscale and multidirectional representations well-suited for PolSAR imagery. We propose a structural knowledge-guided complex diffusion model for PolSAR image classification in the Contourlet domain. Specifically, the complex Contourlet transform is first applied to decompose the data into low- and high-frequency subbands, enabling the extraction of statistical and boundary features. A knowledge-guided complex diffusion network is then designed to model the statistical properties of the low-frequency components. During the process, structural information from high-frequency coefficients is utilized to guide the diffusion process, improving edge preservation. Furthermore, multiscale and multidirectional high-frequency features are jointly learned to further boost classification accuracy. Experimental results on three real-world PolSAR datasets demonstrate that our approach surpasses state-of-the-art methods, particularly in preserving edge details and maintaining region homogeneity in complex terrain.
- Abstract（参考訳）: 拡散モデルは、複雑なデータ分散をモデル化し、生成する能力のために、様々な領域で例外的な性能を示してきた。
しかし, PolSARデータに適用した場合, 従来の実数値拡散モデルでは, 複雑な位相情報の取得に困難が伴うことが多く, 細かな構造情報保存に苦慮することが多い。
これらの制約に対処するために、PolSAR画像に適したリッチなマルチスケールおよび多方向性表現を提供するContourlet変換を利用する。
本稿では,Contourlet領域におけるPolSAR画像分類のための構造的知識誘導複合拡散モデルを提案する。
具体的には、複雑なContourlet変換を用いてデータを低周波サブバンドと高周波サブバンドに分解し、統計的特徴と境界特徴の抽出を可能にする。
次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
プロセス中、高周波係数からの構造情報を用いて拡散過程を導出し、エッジ保存を改善する。
さらに、分類精度をさらに高めるために、マルチスケールおよび多方向性高周波特徴を共同で学習する。
実世界の3つのPolSARデータセットによる実験結果から、我々のアプローチは最先端の手法、特にエッジの詳細の保存や複雑な地形における領域の均一性維持に勝っていることが示された。
関連論文リスト
- Controlled Latent Diffusion Models for 3D Porous Media Reconstruction [11.29275004613083]
多孔質媒体の3次元デジタル再構成は、地球科学の根本的な課題である。
本稿では,EDMフレームワーク内で動作する潜伏拡散モデルを用いて,この問題に対処する計算フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-31T13:36:55Z) - SeisRDT: Latent Diffusion Model Based On Representation Learning For Seismic Data Interpolation And Reconstruction [11.530476559185878]
地理的、物理的、経済的要因などの制限のため、収集された地震データは、しばしば痕跡を欠いている。
従来の地震データ再構成手法は、多数の経験的パラメータを選択し、大規模な連続的欠落トレースを扱うのに苦労する課題に直面している。
地震データ再構成のための表現学習を利用した潜時拡散変換器を提案する。
論文 参考訳（メタデータ） (2025-03-17T10:16:35Z) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - Digging into contrastive learning for robust depth estimation with diffusion models [55.62276027922499]
そこで我々はD4RDと呼ばれる新しい頑健な深度推定法を提案する。
複雑な環境での性能劣化を軽減するために、拡散モデルに適した独自のコントラスト学習モードを備えている。
実験では、D4RDは合成汚職データセットや現実世界の気象条件に関する最先端のソリューションを超越している。
論文 参考訳（メタデータ） (2024-04-15T14:29:47Z) - Enhancing Hyperspectral Images via Diffusion Model and Group-Autoencoder
Super-resolution Network [29.6360974619655]
Group-Autoencoder (GAE)フレームワークは、高次元ハイパースペクトルデータを低次元潜在空間に符号化する。
DMGASRの高効率HSI SRモデル(DMGASR)
自然と遠隔の両方のハイパースペクトルデータセットに対する実験結果から,提案手法は視覚的・計量的にも他の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-02-27T07:57:28Z) - A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [51.03144354630136]
最近の進歩は、拡散モデルが高品質な画像を生成することを示している。
我々はこの現象を階層的なデータ生成モデルで研究する。
t$の後に作用する後方拡散過程は相転移によって制御される。
論文 参考訳（メタデータ） (2024-02-26T19:52:33Z) - Diffusion Models Without Attention [110.5623058129782]
Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。
拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
論文 参考訳（メタデータ） (2023-11-30T05:15:35Z) - Learning transformer-based heterogeneously salient graph representation for multimodal remote sensing image classification [42.15709954199397]
本稿では,変圧器を用いたヘテロジニアサリエントグラフ表現法(THSGR)を提案する。
まず、多モード不均一グラフエンコーダを用いて、非ユークリッド構造の特徴を異種データから符号化する。
自己アテンションフリーなマルチ畳み込み変調器は、効果的かつ効率的な長期依存性モデリングのために設計されている。
論文 参考訳（メタデータ） (2023-11-17T04:06:20Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - A Feature Fusion-Net Using Deep Spatial Context Encoder and
Nonstationary Joint Statistical Model for High Resolution SAR Image
Classification [10.152675581771113]
HR SAR画像に対して, エンドツーエンドの教師付き分類法を提案する。
より効果的な空間特徴を抽出するために,新しい深部空間コンテキストエンコーダネットワーク(DSCEN)を提案する。
統計の多様性を高めるため、非定常連成統計モデル(NS-JSM)が採用され、グローバルな統計特性を形成する。
論文 参考訳（メタデータ） (2021-05-11T06:20:14Z)
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。