論文の概要: RareFlow: Physics-Aware Flow-Matching for Cross-Sensor Super-Resolution of Rare-Earth Features
- arxiv url: http://arxiv.org/abs/2510.23816v1
- Date: Mon, 27 Oct 2025 19:56:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:36.50034
- Title: RareFlow: Physics-Aware Flow-Matching for Cross-Sensor Super-Resolution of Rare-Earth Features
- Title（参考訳）: RareFlow: クロスセンサ超解像のための物理認識フローマッチング
- Authors: Forouzan Fallah, Wenwen Li, Chia-Yu Hsu, Hyunho Lee, Yezhou Yang,
- Abstract要約: 本稿では,ORD(out-of-distribution)のロバスト性を考慮した物理対応SRフレームワークであるRareFlowを紹介する。
Gated ControlNetは低解像度入力からの微細な幾何学的忠実度を保ち、テキストプロンプトは複雑な特徴を合成するための意味的なガイダンスを提供する。
ブラインド評価において、地球物理学の専門家は、我々のモデルの出力は、基礎となる真理像の忠実さに近づき、最先端のベースラインを著しく上回っていると評価した。
- 参考スコア（独自算出の注目度）: 27.505614464585538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Super-resolution (SR) for remote sensing imagery often fails under out-of-distribution (OOD) conditions, such as rare geomorphic features captured by diverse sensors, producing visually plausible but physically inaccurate results. We present RareFlow, a physics-aware SR framework designed for OOD robustness. RareFlow's core is a dual-conditioning architecture. A Gated ControlNet preserves fine-grained geometric fidelity from the low-resolution input, while textual prompts provide semantic guidance for synthesizing complex features. To ensure physically sound outputs, we introduce a multifaceted loss function that enforces both spectral and radiometric consistency with sensor properties. Furthermore, the framework quantifies its own predictive uncertainty by employing a stochastic forward pass approach; the resulting output variance directly identifies unfamiliar inputs, mitigating feature hallucination. We validate RareFlow on a new, curated benchmark of multi-sensor satellite imagery. In blind evaluations, geophysical experts rated our model's outputs as approaching the fidelity of ground truth imagery, significantly outperforming state-of-the-art baselines. This qualitative superiority is corroborated by quantitative gains in perceptual metrics, including a nearly 40\% reduction in FID. RareFlow provides a robust framework for high-fidelity synthesis in data-scarce scientific domains and offers a new paradigm for controlled generation under severe domain shift.
- Abstract（参考訳）: リモートセンシング画像のための超解像(SR)は、様々なセンサーが捉えた希少な地形特徴など、オフ・オブ・ディストリビューション(OOD)条件下ではしばしば失敗し、視覚的に可視だが物理的に不正確な結果をもたらす。
本稿では,OODロバスト性を考慮した物理対応SRフレームワークであるRareFlowを紹介する。
RareFlowのコアはデュアルコンディショニングアーキテクチャである。
Gated ControlNetは低解像度入力からの微細な幾何学的忠実度を保ち、テキストプロンプトは複雑な特徴を合成するための意味的なガイダンスを提供する。
物理的に音の出力を確実にするために,センサ特性とスペクトルおよび放射能の整合性を両立する多面的損失関数を導入する。
さらに、このフレームワークは確率的フォワードパスアプローチを用いて、独自の予測不確実性を定量化し、結果の出力分散は、不慣れな入力を直接識別し、特徴幻覚を緩和する。
我々はRareFlowを、マルチセンサー衛星画像の新しいキュレートされたベンチマークで検証する。
ブラインド評価において、地球物理学の専門家は、我々のモデルの出力は、基礎となる真理像の忠実さに近づき、最先端のベースラインを著しく上回っていると評価した。
この定性的優位性は、FIDの約40倍の減少を含む知覚的指標の量的利得によって裏付けられる。
RareFlowは、データ共有科学ドメインで高忠実な合成のための堅牢なフレームワークを提供し、厳しいドメインシフトの下で制御された生成のための新しいパラダイムを提供する。
関連論文リスト
- $\bf{D^3}$QE: Learning Discrete Distribution Discrepancy-aware Quantization Error for Autoregressive-Generated Image Detection [85.9202830503973]
視覚的自己回帰(AR)モデルは、離散トークン予測を通じて画像を生成する。
本稿では,離散分布離散性を考慮した量子化誤差(D$3$QE)を自己回帰画像検出に活用することを提案する。
論文 参考訳（メタデータ） (2025-10-07T13:02:27Z) - An Ensemble Framework for Unbiased Language Model Watermarking [60.99969104552168]
本研究では,アンサンブル・フレームワークであるENSを提案する。
ENSは複数の独立した透かしインスタンスを順次構成し、それぞれ異なるキーによって管理され、透かし信号を増幅する。
実験的な評価では、ENSは信頼できる検出に必要なトークンの数を大幅に減らし、平滑化やパラフレージング攻撃に対する耐性を高めている。
論文 参考訳（メタデータ） (2025-09-28T19:37:44Z) - Synthetic Image Detection via Spectral Gaps of QC-RBIM Nishimori Bethe-Hessian Operators [0.0]
本稿では,スパース重み付きグラフ上でのコミュニティ検出問題として,合成画像識別を扱うモデル非依存検出器を提案する。
Flickr-Faces-HQ と CelebA の実際の写真と、GAN と拡散モデルにより生成された合成写真を用いて、猫対犬対男性対女性対バイナリタスクのアプローチを検証する。
我々の貢献は、深部画像の特徴を埋め込んだ新しいLDPCグラフ構築、西森温度RBIMとベーテ・ヘッセンスペクトル間の解析的リンク、新しい生成アーキテクチャに頑健な実用的で教師なしの合成画像検出器である。
論文 参考訳（メタデータ） (2025-08-27T09:06:53Z) - Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection [30.77558600436759]
ARAS(ARAS)は、言語条件付き自動回帰異常合成手法である。
トークンアンコールによる遅延編集によって、ローカルでテキスト指定の欠陥を通常の画像に注入する。
欠陥リアリズムを著しく強化し、きめ細かい材料テクスチャを保存し、合成された異常に対して連続的な意味制御を提供する。
論文 参考訳（メタデータ） (2025-08-05T15:07:32Z) - Embedding Trust at Scale: Physics-Aware Neural Watermarking for Secure and Verifiable Data Pipelines [0.0]
我々は科学的データ整合性のための堅牢なニューラルネットワーク透かしフレームワークを提案する。
畳み込みオートエンコーダを用いることで、二元メッセージは温度、渦、地磁気といった構造データに不可視的に埋め込まれる。
提案手法は,ERA5データセットとNavier-Stokesデータセット間で,98%の精度と視覚的に識別不能な再構成を実現する。
論文 参考訳（メタデータ） (2025-05-22T21:14:45Z) - MathPhys-Guided Coarse-to-Fine Anomaly Synthesis with SQE-Driven Bi-Level Optimization for Anomaly Detection [30.77558600436759]
本研究では,Math-Physモデル誘導による合成異常を生成する,新しい軽量パイプラインを提案する。
本手法は現実的な欠陥マスクを生成し,その後2段階に拡張した。
本手法を検証するために,MVTec AD, VisA, BTADの3つの異常検出ベンチマーク実験を行った。
論文 参考訳（メタデータ） (2025-04-17T14:22:27Z) - SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。
既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。
逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2025-03-16T12:32:11Z) - PiRD: Physics-informed Residual Diffusion for Flow Field Reconstruction [5.06136344261226]
データ忠実度向上のためのCNNベースの手法は、トレーニング期間中の低忠実度データパターンと分布に依存している。
提案したモデルである物理インフォームド残差拡散(Residual Diffusion)は、標準の低忠実度入力からデータの品質を高める能力を示す。
実験結果から, 2次元乱流に対して, 再学習を必要とせず, 高品質な流れを効果的に再現できることが示唆された。
論文 参考訳（メタデータ） (2024-04-12T11:45:51Z) - You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。
まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。
エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
論文 参考訳（メタデータ） (2023-10-14T11:03:04Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - ReDFeat: Recoupling Detection and Description for Multimodal Feature
Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。
本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。
我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文 参考訳（メタデータ） (2022-05-16T04:24:22Z)
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。