Fugu-MT 論文翻訳(概要): Temporally-Similar Structure-Aware Spatiotemporal Fusion of Satellite Images

論文の概要: Temporally-Similar Structure-Aware Spatiotemporal Fusion of Satellite Images

arxiv url: http://arxiv.org/abs/2508.11259v1
Date: Fri, 15 Aug 2025 06:50:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-18 14:51:23.770129
Title: Temporally-Similar Structure-Aware Spatiotemporal Fusion of Satellite Images
Title（参考訳）: 時相構造を考慮した衛星画像の時空間融合
Authors: Ryosuke Isono, Shunsuke Ono,
Abstract要約: 実世界のシナリオでは、観測された衛星画像は測定装置や環境条件によってノイズによって著しく劣化する。この問題に対処するため、TSSTFはTGTV(Temporally-Guided Total Variation)とTGEC(Temporally-Guided EdgeConstraintConstraint)という2つの重要なメカニズムを導入した。我々は,ST融合タスクを,TGTVとTGECを組み合わせた制約付き最適化問題として定式化し,事前条件付き原始二分割法に基づく効率的なアルゴリズムを開発した。
参考スコア（独自算出の注目度）: 7.165583602747691
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a novel spatiotemporal (ST) fusion framework for satellite images, named Temporally-Similar Structure-Aware ST fusion (TSSTF). ST fusion is a promising approach to address the trade-off between the spatial and temporal resolution of satellite images. In real-world scenarios, observed satellite images are severely degraded by noise due to measurement equipment and environmental conditions. Consequently, some recent studies have focused on enhancing the robustness of ST fusion methods against noise. However, existing noise-robust ST fusion approaches often fail to capture fine spatial structure, leading to oversmoothing and artifacts. To address this issue, TSSTF introduces two key mechanisms: Temporally-Guided Total Variation (TGTV) and Temporally-Guided Edge Constraint (TGEC). TGTV is a novel regularization function that promotes spatial piecewise smoothness while preserving structural details, guided by a reference high spatial resolution image acquired on a nearby date. TGEC enforces consistency in edge locations between two temporally adjacent images, while allowing for spectral variations. We formulate the ST fusion task as a constrained optimization problem incorporating TGTV and TGEC, and develop an efficient algorithm based on a preconditioned primal-dual splitting method. Experimental results demonstrate that TSSTF performs comparably to state-of-the-art methods under noise-free conditions and outperforms them under noisy conditions. Additionally, we provide a comprehensive set of recommended parameter values that consistently yield high performance across diverse target regions and noise conditions, aiming to enhance reproducibility and practical utility.
Abstract（参考訳）: 本稿では,衛星画像のための新しい時空間(ST)融合フレームワークであるTemporally-Similar Structure-Aware ST fusion (TSSTF)を提案する。 ST融合は、衛星画像の空間分解能と時間分解能のトレードオフに対処するための有望なアプローチである。実世界のシナリオでは、観測された衛星画像は測定装置や環境条件によってノイズによって著しく劣化する。その結果、近年の研究では、ST融合法の雑音に対する堅牢性の向上に焦点が当てられている。しかし、既存のノイズローバートST融合法は、しばしば微細な空間構造を捉えることができず、過密化や人工物に繋がる。この問題に対処するため、TSSTFはTGTV(Temporally-Guided Total Variation)とTGEC(Temporally-Guided Edge Constraint)という2つの主要なメカニズムを導入している。 TGTVは、近くの日に取得した参照高解像度画像によってガイドされる構造的詳細を保存しながら、空間的断片的滑らかさを促進する新しい正規化機能である。 TGECは2つの時間的隣接画像間のエッジ位置の整合性を強制し、スペクトル変動を許容する。我々は,ST融合タスクを,TGTVとTGECを組み合わせた制約付き最適化問題として定式化し,事前条件付き原始二分割法に基づく効率的なアルゴリズムを開発した。実験の結果,TSSTFはノイズフリー条件下では最先端の手法と相容れない性能を示し,ノイズ条件下では性能が優れていた。さらに,様々な目標領域や騒音条件にまたがる高性能なパラメータ値の包括的セットを提供し,再現性と実用性の向上を目指す。

関連論文リスト

WGAST: Weakly-Supervised Generative Network for Daily 10 m Land Surface Temperature Estimation via Spatio-Temporal Fusion [3.344876133162209]
筆者らは,MODIS,Landsat 8,Sentinel-2のSSupervise-Temporal Fusionによる1日10mLST分解能の弱い遺伝的ネットワークWGASTを提案する。特徴抽出、融合、LST再構成、ノイズ抑制の4段階からなる、条件付き生成対向アーキテクチャを採用する。実験により、WGASTは定量評価と定性評価の両方において既存の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） (2025-08-08T17:49:46Z)
Metadata, Wavelet, and Time Aware Diffusion Models for Satellite Image Super Resolution [4.307648859471193]
MWT-Diffは、衛星画像超解像(SR)のための革新的なフレームワークであるフレームワークの中核は、新しいメタデータ、ウェーブレット、タイムアウェアエンコーダ(MWT-Encoder)である。埋め込み特徴表現は階層的拡散力学を駆使し、モデルが低解像度入力から高解像度衛星画像を徐々に再構成する。
論文参考訳（メタデータ） (2025-06-30T07:19:50Z)
STSA: Spatial-Temporal Semantic Alignment for Visual Dubbing [2.231167375820083]
空間的領域と時間的領域とのセマンティックな特徴の整合性は、顔の動きの安定化に有望なアプローチである、と我々は主張する。本稿では,2経路アライメント機構と識別可能な意味表現を導入した時空間意味アライメント(STSA)手法を提案する。
論文参考訳（メタデータ） (2025-03-29T11:04:10Z)
FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [63.87313550399871]
画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基礎モデルと潜在空間アライメントによるクロスモーダルな知識伝達を確立する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
論文参考訳（メタデータ） (2025-03-25T15:04:53Z)
Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
論文参考訳（メタデータ） (2024-08-01T15:14:10Z)
Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
論文参考訳（メタデータ） (2023-04-03T09:42:13Z)
Maximum Spatial Perturbation Consistency for Unpaired Image-to-Image Translation [56.44946660061753]
本稿では,最大空間摂動整合(MSPC)と呼ばれる普遍正規化手法を提案する。 MSPCは空間摂動関数(T)と変換演算子(G)を可換(TG = GT)に強制する。提案手法は,ほとんどのI2Iベンチマークにおいて最先端の手法よりも優れている。
論文参考訳（メタデータ） (2022-03-23T19:59:04Z)
Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
論文参考訳（メタデータ） (2020-10-24T15:53:56Z)

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。