論文の概要: KAO: Kernel-Adaptive Optimization in Diffusion for Satellite Image

• arxiv url: http://arxiv.org/abs/2511.02462v1
• Date: Tue, 04 Nov 2025 10:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.954695
• Title: KAO: Kernel-Adaptive Optimization in Diffusion for Satellite Image
• Title（参考訳）: KAO:衛星画像の拡散におけるカーネル適応最適化
• Authors: Teerapong Panboonyuen,
• Abstract要約: KAOはKernel-Adaptive Optimizationを利用した新しいフレームワークである。 KAOは、非常に高解像度(VHR)衛星データセットがもたらす課題に対処するために特別に設計された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Satellite image inpainting is a crucial task in remote sensing, where accurately restoring missing or occluded regions is essential for robust image analysis. In this paper, we propose KAO, a novel framework that utilizes Kernel-Adaptive Optimization within diffusion models for satellite image inpainting. KAO is specifically designed to address the challenges posed by very high-resolution (VHR) satellite datasets, such as DeepGlobe and the Massachusetts Roads Dataset. Unlike existing methods that rely on preconditioned models requiring extensive retraining or postconditioned models with significant computational overhead, KAO introduces a Latent Space Conditioning approach, optimizing a compact latent space to achieve efficient and accurate inpainting. Furthermore, we incorporate Explicit Propagation into the diffusion process, facilitating forward-backward fusion, which improves the stability and precision of the method. Experimental results demonstrate that KAO sets a new benchmark for VHR satellite image restoration, providing a scalable, high-performance solution that balances the efficiency of preconditioned models with the flexibility of postconditioned models.
• Abstract（参考訳）: 衛星画像の塗装はリモートセンシングにおいて重要な課題であり、画像解析に欠落した領域を正確に復元することが不可欠である。 本稿では,Kernel-Adaptive Optimization を利用した新しいフレームワークであるKAOを提案する。 KAO は、DeepGlobe や Massachusetts Roads Dataset など、非常に高解像度(VHR)衛星データセットによって引き起こされる課題に対処するように設計されている。 計算オーバーヘッドの大きい事前条件付きモデルや後条件付きモデルを必要とする既存の手法とは異なり、KAOは遅延空間コンディショニング手法を導入し、コンパクトな潜時空間を最適化して効率よく正確な塗装を実現する。 さらに,拡散過程にExplicit Propagationを導入し,後方融合を容易にし,その安定性と精度を向上させる。 実験の結果、KAOはVHR衛星画像復元のための新しいベンチマークを設定し、事前条件付きモデルの効率と後条件付きモデルの柔軟性のバランスをとるスケーラブルで高性能なソリューションを提供することがわかった。

関連論文リスト

• ZipIR: Latent Pyramid Diffusion Transformer for High-Resolution Image Restoration [75.0053551643052]
  本稿では、高解像度画像復元のための効率性、スケーラビリティ、長距離モデリングを向上する新しいフレームワークZipIRを紹介する。 ZipIRは画像32xを圧縮する高度に圧縮された潜在表現を使用し、空間トークンの数を効果的に削減する。 ZipIRは既存の拡散ベースの手法を超越し、高度に劣化した入力からの高解像度画像の復元において、未整合の速度と品質を提供する。
  論文  参考訳（メタデータ） (2025-04-11T14:49:52Z)
• Gaussian Splatting for Efficient Satellite Image Photogrammetry [9.965306860657472]
  標準ガウススプラッティングフレームワークがリモートセンシングにどのように適応できるかを示す。 これにより、最先端のパフォーマンスを数分で達成できます。
  論文  参考訳（メタデータ） (2024-12-17T16:11:14Z)
• Efficient Denoising Method to Improve The Resolution of Satellite Images [0.0]
  高解像度の衛星画像は、地上の小さな特徴を識別し、地表面のタイプを分類するのに役立ちます。 小型衛星は空間分解能が弱く、最近の生成モデルによる前処理によりこれらの衛星画像の解像度を向上させることができた。
  論文  参考訳（メタデータ） (2024-11-11T03:33:53Z)
• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。 反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。 提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
  我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。 アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。 実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
  論文  参考訳（メタデータ） (2024-06-14T17:58:28Z)
• Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote Sensing Imagery [48.14610248492785]
  雲層は、光学リモートセンシング(RS)画像の品質と効果を著しく損なう。 既存のディープラーニング(DL)ベースのクラウド削除(CR)技術は、元の視覚的正当性と画像の詳細なセマンティック内容の正確な再構築に困難を伴う。 この課題に対処するために、データと方法論の面での強化を提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:14:17Z)
• JoReS-Diff: Joint Retinex and Semantic Priors in Diffusion Model for Low-light Image Enhancement [69.6035373784027]
  低照度画像強調(LLIE)は条件付き拡散モデルを用いて有望な性能を実現している。 従来手法は、タスク固有の条件戦略の十分な定式化の重要性を無視するものであった。 本稿では,Retinex および semantic-based pre-processing condition を付加した新しいアプローチである JoReS-Diff を提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:05:57Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)

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。