論文の概要: Digital Elevation Model Estimation from RGB Satellite Imagery using Generative Deep Learning
- arxiv url: http://arxiv.org/abs/2511.21985v1
- Date: Wed, 26 Nov 2025 23:50:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.333417
- Title: Digital Elevation Model Estimation from RGB Satellite Imagery using Generative Deep Learning
- Title（参考訳）: 生成的深層学習を用いたRGB衛星画像からのディジタル標高モデルの推定
- Authors: Alif Ilham Madani, Riska A. Kuswati, Alex M. Lechner, Muhamad Risqi U. Saputra,
- Abstract要約: 本研究では,生成的深層学習を用いて,自由に利用可能なRGB衛星画像からDEMを生成する手法を提案する。
ランドサット衛星画像とNASAのSRTMデジタル高度データを用いて,12KのRGB-DEMペアからなるグローバルデータセットを開発した。
独自の前処理パイプラインが実装され、高品質でクラウドフリーな領域を選択し、ランドサット画像から正規化されたRGBコンポジットを集約した。
- 参考スコア（独自算出の注目度）: 1.0207955314209534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital Elevation Models (DEMs) are vital datasets for geospatial applications such as hydrological modeling and environmental monitoring. However, conventional methods to generate DEM, such as using LiDAR and photogrammetry, require specific types of data that are often inaccessible in resource-constrained settings. To alleviate this problem, this study proposes an approach to generate DEM from freely available RGB satellite imagery using generative deep learning, particularly based on a conditional Generative Adversarial Network (GAN). We first developed a global dataset consisting of 12K RGB-DEM pairs using Landsat satellite imagery and NASA's SRTM digital elevation data, both from the year 2000. A unique preprocessing pipeline was implemented to select high-quality, cloud-free regions and aggregate normalized RGB composites from Landsat imagery. Additionally, the model was trained in a two-stage process, where it was first trained on the complete dataset and then fine-tuned on high-quality samples filtered by Structural Similarity Index Measure (SSIM) values to improve performance on challenging terrains. The results demonstrate promising performance in mountainous regions, achieving an overall mean root-mean-square error (RMSE) of 0.4671 and a mean SSIM score of 0.2065 (scale -1 to 1), while highlighting limitations in lowland and residential areas. This study underscores the importance of meticulous preprocessing and iterative refinement in generative modeling for DEM generation, offering a cost-effective and adaptive alternative to conventional methods while emphasizing the challenge of generalization across diverse terrains worldwide.
- Abstract（参考訳）: DEM(Digital Elevation Models)は、水文モデリングや環境モニタリングなどの地理空間的応用のための重要なデータセットである。
しかし、LiDARやフォトグラムといった従来のDEMを生成するには、リソース制約のある設定ではアクセスできない特定のタイプのデータが必要である。
この問題を軽減するために, 生成深層学習(GAN)を用いた自由利用可能なRGB衛星画像からDEMを生成する手法を提案する。
ランドサット衛星画像とNASAのSRTMデジタル高度データを用いた12K RGB-DEMペアからなるグローバルデータセットを2000年から開発した。
独自の前処理パイプラインが実装され、高品質でクラウドフリーな領域を選択し、ランドサット画像から正規化されたRGBコンポジットを集約した。
さらに、モデルは2段階のプロセスでトレーニングされ、まず完全なデータセットでトレーニングされ、次に構造類似度指数測定(SSIM)値でフィルタリングされた高品質なサンプルで微調整され、挑戦的な地形のパフォーマンスを改善する。
その結果,山岳地域では有望な性能を示し,0.4671の平均根平均二乗誤差(RMSE)と0.2065(スケール-1～1)のSSIMスコアが達成され,低地・住宅地では制限が強調された。
本研究は,DEM生成のための生成モデリングにおける精密な前処理と反復的改良の重要性を浮き彫りにして,世界中の多様な地形にまたがる一般化の課題を強調しつつ,従来の手法に代えて費用対効果と適応性を提供するものである。
関連論文リスト
- Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。
現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。
我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-11-21T12:57:23Z) - Prompt2DEM: High-Resolution DEMs for Urban and Open Environments from Global Prompts Using a Monocular Foundation Model [0.0]
高分解能標高推定は、捕食と斜面水文学を理解し、都市形態学と動態を研究し、地球生態系の成長、衰退、死亡をモニターするために不可欠である。
本稿では,絶対的地球高度マッピングのための新しいパラダイムとして,高分解能DEMを推定するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-13T15:38:22Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - No Location Left Behind: Measuring and Improving the Fairness of Implicit Representations for Earth Data [13.412573082645096]
暗黙の神経表現(INR)は、地球表象の課題に対処する上での公約が増大している。
既存の手法はグローバルな平均性能を不均等に優先する。
FAIR-Earthは、地球表象の不等式を調べ、挑戦するための第一種データセットである。
論文 参考訳（メタデータ） (2025-02-05T16:51:13Z) - T-GMSI: A transformer-based generative model for spatial interpolation under sparse measurements [1.0931557410591526]
空間補間のためのトランスフォーマーベース生成モデル (T-GMSI) を提案する。
T-GMSIは、従来の畳み込みベースの手法をViTに置き換えて特徴抽出とDEMを行い、特徴認識損失関数を組み込んで精度を高める。
T-GMSIは、70%以上の幅を持つデータセットから高品質な標高面を生成するのに優れ、微調整なしで様々な風景を横断する強い伝達性を示す。
論文 参考訳（メタデータ） (2024-12-13T06:01:39Z) - Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。
我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。
実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
論文 参考訳（メタデータ） (2024-06-11T13:34:57Z) - RaSim: A Range-aware High-fidelity RGB-D Data Simulation Pipeline for Real-world Applications [55.24463002889]
我々は深度データ合成に焦点をあて、レンジ対応RGB-Dデータシミュレーションパイプライン(RaSim)を開発した。
特に、実世界のセンサーの撮像原理を模倣して高忠実度深度データを生成する。
RaSimは、下流のRGB-D知覚タスクで微調整をすることなく、現実世界のシナリオに直接適用することができる。
論文 参考訳（メタデータ） (2024-04-05T08:52:32Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - D-SRGAN: DEM Super-Resolution with Generative Adversarial Networks [0.0]
LIDARデータはDEM(Digital Elevation Models)の主要な情報源として利用されている。
DEMは道路抽出、水文モデリング、洪水マッピング、表面分析など様々な用途で使用されている。
ディープラーニング技術は、高解像度データセットからの学習機能のパフォーマンスが研究者にとって魅力的なものになっている。
論文 参考訳（メタデータ） (2020-04-09T19:57:49Z) - Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。
この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。
生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文 参考訳（メタデータ） (2020-03-02T17:49:32Z)
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。