論文の概要: Self-Supervised Score-Based Despeckling for SAR Imagery via Log-Domain Transformation

• arxiv url: http://arxiv.org/abs/2601.14334v1
• Date: Tue, 20 Jan 2026 11:45:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.103478
• Title: Self-Supervised Score-Based Despeckling for SAR Imagery via Log-Domain Transformation
• Title（参考訳）: ログドメイン変換によるSAR画像の自己教師付きスコアベース再検討
• Authors: Junhyuk Heo,
• Abstract要約: 合成開口レーダ(SAR)に固有のスペックルノイズは画像品質を著しく低下させ、その後の解析を複雑にする。 本稿では,スコアベース生成モデルに基づく新たな自己教師型SAR画像復調フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The speckle noise inherent in Synthetic Aperture Radar (SAR) imagery significantly degrades image quality and complicates subsequent analysis. Given that SAR speckle is multiplicative and Gamma-distributed, effectively despeckling SAR imagery remains challenging. This paper introduces a novel self-supervised framework for SAR image despeckling based on score-based generative models operating in the transformed log domain. We first transform the data into the log-domain and then convert the speckle noise residuals into an approximately additive Gaussian distribution. This step enables the application of score-based models, which are trained in the transformed domain using a self-supervised objective. This objective allows our model to learn the clean underlying signal by training on further corrupted versions of the input data itself. Consequently, our method exhibits significantly shorter inference times compared to many existing self-supervised techniques, offering a robust and practical solution for SAR image restoration.
• Abstract（参考訳）: 合成開口レーダ(SAR)に固有のスペックルノイズは画像品質を著しく低下させ、その後の解析を複雑にする。 SARのスペックルが乗法的であり、ガンマ分布であることを考えると、SARの画像を効果的に切り離すことは依然として困難である。 本稿では,変換ログ領域で動作するスコアベース生成モデルに基づく,SAR画像復調のための新たな自己教師型フレームワークを提案する。 まず、データをログドメインに変換し、次にスペックルノイズ残差をほぼ加法的なガウス分布に変換する。 このステップは、自己教師対象を用いて変換されたドメインでトレーニングされたスコアベースのモデルの適用を可能にする。 この目的により、我々のモデルは入力データ自体のさらなる破損したバージョンをトレーニングすることで、クリーンな基盤信号を学ぶことができる。 その結果,SAR画像復元のための堅牢で実用的な手法として,既存の自己監督技術に比べて推論時間が大幅に短縮された。

関連論文リスト

• In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
  ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。 エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
  論文  参考訳（メタデータ） (2023-09-25T08:42:06Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• ADIR: Adaptive Diffusion for Image Reconstruction [42.90778718695398]
  拡散モデルのデノイングは画像生成において顕著な成功を収めており、自然画像統計に関する豊富な情報を収集している。 本稿では,拡散モデルで学習した強力な事前知識を活用しつつ,利用可能な測定値との整合性を実現する条件付きサンプリングフレームワークを提案する。 大規模かつ多様なデータセットから効率よく抽出される劣化した入力とセマンティックかつ視覚的に類似した画像を用いてLoRAに基づく適応を用いる。
  論文  参考訳（メタデータ） (2022-12-06T18:39:58Z)
• 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)
• The Deep Generative Decoder: MAP estimation of representations improves modeling of single-cell RNA data [0.0]
  モデルパラメータと表現を直接最大後部推定(MAP)により計算する単純な生成モデルを提案する。 このアプローチの利点は、その単純さと、同等のVAEよりもはるかに小さな次元の表現を提供する能力である。
  論文  参考訳（メタデータ） (2021-10-13T12:17:46Z)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)

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。