論文の概要: UnwrapDiff: Conditional Diffusion for Robust InSAR Phase Unwrapping
- arxiv url: http://arxiv.org/abs/2512.04749v1
- Date: Thu, 04 Dec 2025 12:38:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-05 21:11:46.166201
- Title: UnwrapDiff: Conditional Diffusion for Robust InSAR Phase Unwrapping
- Title（参考訳）: UnwrapDiff:ロバストInSAR位相アンラッピングのための条件拡散
- Authors: Yijia Song, Juliet Biggs, Alin Achim, Robert Popescu, Simon Orrego, Nantheera Anantrasirichai,
- Abstract要約: 本論文では,InSAR位相解放のための拡散確率モデル(DDPM)に基づくフレームワークUnwrapDiffを提案する。
実験により, 提案モデルでは, 騒音パターンの影響を低減しつつ, 予め条件付きモデルを用いていることがわかった。
ダイク侵入などの困難なケースでは、より良い復元品質を実現する。
- 参考スコア（独自算出の注目度）: 4.164215196408102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phase unwrapping is a fundamental problem in InSAR data processing, supporting geophysical applications such as deformation monitoring and hazard assessment. Its reliability is limited by noise and decorrelation in radar acquisitions, which makes accurate reconstruction of the deformation signal challenging. We propose a denoising diffusion probabilistic model (DDPM)-based framework for InSAR phase unwrapping, UnwrapDiff, in which the output of the traditional minimum cost flow algorithm (SNAPHU) is incorporated as conditional guidance. To evaluate robustness, we construct a synthetic dataset that incorporates atmospheric effects and diverse noise patterns, representative of realistic InSAR observations. Experiments show that the proposed model leverages the conditional prior while reducing the effect of diverse noise patterns, achieving on average a 10.11\% reduction in NRMSE compared to SNAPHU. It also achieves better reconstruction quality in difficult cases such as dyke intrusions.
- Abstract（参考訳）: 位相アンラッピングは、InSARデータ処理における基本的な問題であり、変形モニタリングやハザードアセスメントなどの物理応用をサポートする。
その信頼性は、レーダー取得におけるノイズとデコリレーションによって制限されるため、変形信号の正確な再構築は困難である。
本論文では,従来の最小コストフローアルゴリズム(SNAPHU)の出力を条件付きガイダンスとして組み込んだ,InSAR位相解放のための分散確率モデル(DDPM)に基づくフレームワークUnwrapDiffを提案する。
本研究では,大気効果と多様なノイズパターンを組み込んだ合成データセットを構築し,現実的なInSAR観測を表現した。
実験の結果,提案モデルでは,SNAPHU と比較して平均 10.11 % の NRMSE 削減を実現し,様々なノイズパターンの影響を低減しつつ,条件付きモデルを利用した。
また、ダイク侵入などの困難な場合においても、より良い復元品質が得られる。
関連論文リスト
- Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。
本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。
現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
論文 参考訳（メタデータ） (2025-07-08T03:58:52Z) - Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。
noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。
NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
論文 参考訳（メタデータ） (2025-04-04T09:27:19Z) - A generative foundation model for an all-in-one seismic processing framework [2.499907423888049]
生成的震源モデル(GSFM)は、生成的拡散モデル(GDM)に基づく統一的な枠組みである
目標指向拡散過程予測を採用することにより、GSFMは精度を損なうことなく計算効率を向上させる。
論文 参考訳（メタデータ） (2025-02-03T07:01:36Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。
様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文 参考訳（メタデータ） (2023-08-28T08:47:06Z) - Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。
本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z)
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。