論文の概要: VectorSynth: Fine-Grained Satellite Image Synthesis with Structured Semantics

• arxiv url: http://arxiv.org/abs/2511.07744v1
• Date: Wed, 12 Nov 2025 01:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.457912
• Title: VectorSynth: Fine-Grained Satellite Image Synthesis with Structured Semantics
• Title（参考訳）: VectorSynth:構造化セマンティックスを用いた細粒衛星画像合成
• Abstract要約: セマンティック属性を持つ合成地理アノテーションに基づく画素精度衛星画像の拡散に基づくフレームワークであるVector Synthを紹介する。 以前のテキストやレイアウト条件のモデルとは異なり、Vector Synthは密接なクロスモーダル対応を学習し、セマンティックベクトル幾何学を整列させ、微粒で空間的に接した編集を可能にする。
• 参考スコア（独自算出の注目度）: 16.29123003949871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce VectorSynth, a diffusion-based framework for pixel-accurate satellite image synthesis conditioned on polygonal geographic annotations with semantic attributes. Unlike prior text- or layout-conditioned models, VectorSynth learns dense cross-modal correspondences that align imagery and semantic vector geometry, enabling fine-grained, spatially grounded edits. A vision language alignment module produces pixel-level embeddings from polygon semantics; these embeddings guide a conditional image generation framework to respect both spatial extents and semantic cues. VectorSynth supports interactive workflows that mix language prompts with geometry-aware conditioning, allowing rapid what-if simulations, spatial edits, and map-informed content generation. For training and evaluation, we assemble a collection of satellite scenes paired with pixel-registered polygon annotations spanning diverse urban scenes with both built and natural features. We observe strong improvements over prior methods in semantic fidelity and structural realism, and show that our trained vision language model demonstrates fine-grained spatial grounding. The code and data are available at https://github.com/mvrl/VectorSynth.
• Abstract（参考訳）: 意味属性を持つ多角的地理アノテーションを条件とした画素精度衛星画像合成のための拡散に基づくフレームワークであるVectorSynthを紹介する。 以前のテキストやレイアウト条件のモデルとは異なり、VectorSynthは画像と意味的ベクトル幾何学を整列する密集したクロスモーダル対応を学習し、きめ細かい、空間的に接地された編集を可能にする。 視覚言語アライメントモジュールは、ポリゴン意味論からピクセルレベルの埋め込みを生成する。 VectorSynthは、言語プロンプトとジオメトリ対応の条件付けを併用したインタラクティブワークフローをサポートし、高速なWhat-ifシミュレーション、空間編集、マップインフォームドコンテンツ生成を可能にする。 訓練と評価のために,様々な都市景観にまたがる画素登録ポリゴンアノテーションと組み合わせた衛星シーンのコレクションを,構築と自然の両方の特徴で組み立てる。 意味的忠実度と構造的リアリズムにおける先行手法に対する強い改善を観察し、訓練された視覚言語モデルがきめ細かな空間的接地を示すことを示す。 コードとデータはhttps://github.com/mvrl/VectorSynth.comで公開されている。

関連論文リスト

• TerraDiT-$Ω$: Unified Spatial Control for Satellite Image Synthesis with Any Geospatial Primitive [19.699267665705715]
  TerraDiT-$は、任意のネイティブプリミティブから直接衛星画像を生成する統合空間制御フレームワークである。 生成モデルは驚くべき進歩を遂げているが、衛星画像に適用することは依然として困難である。
  論文  参考訳（メタデータ） (2026-06-30T01:56:41Z)
• GeoMeld: Toward Semantically Grounded Foundation Models for Remote Sensing [33.72621953693859]
  GeoMeldは大規模なマルチモーダルデータセットで、約250万個の空間的に整列したサンプルがある。 GeoMeldは、エージェントキャプションフレームワークを通じて意味論的に基盤付けられた言語管理を提供する。 GeoMeld-FMは、アライメントされたモダリティ、JEPA表現学習、キャプション-ビジョンのコントラストアライメントを多言語で表した自動エンコーディングを組み合わせた事前トレーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-04-12T11:47:11Z)
• Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
  UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。 エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。 第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。 第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
  論文  参考訳（メタデータ） (2026-04-12T10:36:18Z)
• Thinking with Spatial Code for Physical-World Video Reasoning [27.397518169065634]
  空間コードによる思考は、RGB動画を明示的で時間的に整合した3D表現に変換するフレームワークである。 提案する空間エンコーダは,映像を3次元有界ボックスとセマンティックラベルで構造化された空間コードに解析できるという経験的発見を強調した。
  論文  参考訳（メタデータ） (2026-03-05T19:00:02Z)
• Synthesizing Multimodal Geometry Datasets from Scratch and Enabling Visual Alignment via Plotting Code [27.26235987246201]
  マルチモーダル幾何推論は、視覚図を共同で理解し、構造化されたシンボル推論を実行するモデルを必要とする。 我々は,スクラッチから複雑なマルチモーダル幾何問題に対するパイプラインを提案し,問題生成をシンボリックシード構造に分離するtextbfGeoCode というデータセットを構築した。 さらに、コード予測を明示的なアライメント目標として導入し、視覚的理解を教師付き構造化予測タスクに変換する。
  論文  参考訳（メタデータ） (2026-02-21T07:53:48Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• Aligned Novel View Image and Geometry Synthesis via Cross-modal Attention Instillation [62.87088388345378]
  ワーピング・アンド・インペインティング手法を用いて,新しいビューイメージと幾何学生成の整合性を実現する拡散型フレームワークを提案する。 手法は、既製の幾何学予測器を利用して、参照画像から見る部分的な幾何学を予測する。 生成した画像と幾何の正確なアライメントを確保するために, クロスモーダルアテンション蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T16:19:00Z)
• Agentic 3D Scene Generation with Spatially Contextualized VLMs [67.31920821192323]
  本稿では,複雑な3D環境の生成,理解,編集を可能にする新しいパラダイムを提案する。 我々は,VLMが空間コンテキストから反復的に読み取って更新するエージェント型3Dシーン生成パイプラインを開発した。 その結果,我々のフレームワークは多様かつ困難な入力を処理でき,事前の作業では観測できないような一般化のレベルを達成することができることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T15:28:17Z)
• CrossModalityDiffusion: Multi-Modal Novel View Synthesis with Unified Intermediate Representation [0.5242869847419834]
  CrossModalityDiffusion(クロスモダリティ・ディフュージョン)は、シーン幾何学の知識を必要とせず、様々なモダリティにまたがる画像を生成するために設計されたモジュラーフレームワークである。 異なるモジュールを共同でトレーニングすることで、フレームワーク内のすべてのモダリティに対して一貫した幾何学的理解が保証されることを示す。 合成ShapeNet車のデータセット上でのCrossModalityDiffusionの機能を検証する。
  論文  参考訳（メタデータ） (2025-01-16T20:56:32Z)
• Semantic Lens: Instance-Centric Semantic Alignment for Video Super-Resolution [36.48329560039897]
  フレーム間アライメントはビデオ超解像(VSR)の重要な手がかりである 本稿では,セマンティックレンズ(Semantic Lens)という,VSRのための新しいパラダイムを提案する。 ビデオはセマンティックエクストラクタを介してインスタンス、イベント、シーンとしてモデル化される。
  論文  参考訳（メタデータ） (2023-12-13T01:16:50Z)
• A geometrically aware auto-encoder for multi-texture synthesis [1.2891210250935146]
  マルチテクスチャ合成のための自動エンコーダアーキテクチャを提案する。 画像はコンパクトで幾何学的に整合した潜在空間に埋め込まれる。 テクスチャ合成とタスクは、これらの潜在コードから直接実行することができる。
  論文  参考訳（メタデータ） (2023-02-03T09:28:39Z)
• MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
  多様な動きを合成する無条件生成モデルであるMoDiを提案する。 我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。 データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-16T09:06:25Z)
• TediGAN: Text-Guided Diverse Face Image Generation and Manipulation [52.83401421019309]
  TediGANはマルチモーダル画像生成とテキスト記述による操作のためのフレームワークである。 StyleGANインバージョンモジュールは、よく訓練されたStyleGANの潜在空間に実際の画像をマッピングする。 視覚言語的類似性は、画像とテキストを共通の埋め込み空間にマッピングすることで、テキスト画像マッチングを学ぶ。 インスタンスレベルの最適化は、操作におけるID保存のためのものだ。
  論文  参考訳（メタデータ） (2020-12-06T16:20:19Z)
• Deep Geometric Texture Synthesis [83.9404865744028]
  幾何学的テクスチャを合成するための新しい枠組みを提案する。 単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。 我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
  論文  参考訳（メタデータ） (2020-06-30T19:36:38Z)

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。