論文の概要: SADER: Structure-Aware Diffusion Framework with DEterministic Resampling for Multi-Temporal Remote Sensing Cloud Removal
- arxiv url: http://arxiv.org/abs/2602.00536v1
- Date: Sat, 31 Jan 2026 06:06:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.244022
- Title: SADER: Structure-Aware Diffusion Framework with DEterministic Resampling for Multi-Temporal Remote Sensing Cloud Removal
- Title（参考訳）: SADER:マルチテンポラルリモートセンシングクラウド除去のための決定論的再サンプリングによる構造認識拡散フレームワーク
- Authors: Yifan Zhang, Qian Chen, Yi Liu, Wengen Li, Jihong Guan,
- Abstract要約: 拡散モデルがリモートセンシングクラウド除去の主要なパラダイムとして浮上している。
マルチ時間リモートセンシングクラウド除去のための構造対応拡散フレームワークSADERを提案する。
複数のマルチ時間データセットの実験により、SADERは最先端のクラウド除去方法よりも一貫して優れていることが示された。
- 参考スコア（独自算出の注目度）: 24.84158171817714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cloud contamination severely degrades the usability of remote sensing imagery and poses a fundamental challenge for downstream Earth observation tasks. Recently, diffusion-based models have emerged as a dominant paradigm for remote sensing cloud removal due to their strong generative capability and stable optimization. However, existing diffusion-based approaches often suffer from limited sampling efficiency and insufficient exploitation of structural and temporal priors in multi-temporal remote sensing scenarios. In this work, we propose SADER, a structure-aware diffusion framework for multi-temporal remote sensing cloud removal. SADER first develops a scalable Multi-Temporal Conditional Diffusion Network (MTCDN) to fully capture multi-temporal and multimodal correlations via temporal fusion and hybrid attention. Then, a cloud-aware attention loss is introduced to emphasize cloud-dominated regions by accounting for cloud thickness and brightness discrepancies. In addition, a deterministic resampling strategy is designed for continuous diffusion models to iteratively refine samples under fixed sampling steps by replacing outliers through guided correction. Extensive experiments on multiple multi-temporal datasets demonstrate that SADER consistently outperforms state-of-the-art cloud removal methods across all evaluation metrics. The code of SADER is publicly available at https://github.com/zyfzs0/SADER.
- Abstract（参考訳）: 雲汚染はリモートセンシング画像の使用性を著しく低下させ、下流の地球観測タスクに根本的な課題をもたらす。
近年,拡散モデルが強力な生成能力と安定した最適化により,リモートセンシングクラウド除去の主流のパラダイムとして浮上している。
しかし、既存の拡散に基づくアプローチは、サンプリング効率の制限や、マルチ時間リモートセンシングのシナリオにおける構造的および時間的事前利用の不十分さに悩まされることが多い。
本研究では,多時間リモートセンシングクラウド除去のための構造対応拡散フレームワークであるSADERを提案する。
SADERは最初,時間的融合とハイブリットアテンションを通じて,時間的・マルチモーダルな相関関係を完全に把握する,スケーラブルなマルチテンポラル条件拡散ネットワーク(MTCDN)を開発した。
そして、雲の厚さと明るさの差を考慮し、雲が支配する領域を強調するために、雲を意識した注意損失を導入する。
さらに, 連続拡散モデルを用いて, サンプルを一定のサンプリング工程で反復的に精製する決定論的再サンプリング戦略を考案した。
複数のマルチ時間データセットに対する大規模な実験により、SADERはすべての評価指標で、最先端のクラウド除去手法を一貫して上回っていることが示された。
SADERのコードはhttps://github.com/zyfzs0/SADERで公開されている。
関連論文リスト
- Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。
我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
論文 参考訳（メタデータ） (2025-12-05T07:05:53Z) - USF-Net: A Unified Spatiotemporal Fusion Network for Ground-Based Remote Sensing Cloud Image Sequence Extrapolation [7.868367798549883]
地中リモートセンシングクラウド画像シーケンスの外挿は、太陽光発電システムの開発において重要な研究領域である。
我々は,適応型大カーネル畳み込みと低複雑さアテンション機構を統合した統一Stemporal FusionであるUSF-Netを提案する。
重要なコントリビューションとして、ASI-CISデータセットの導入とリリースも行います。
論文 参考訳（メタデータ） (2025-11-12T06:54:40Z) - RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。
従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。
実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-10-16T17:59:13Z) - EC-Diff: Fast and High-Quality Edge-Cloud Collaborative Inference for Diffusion Models [57.059991285047296]
高速な推論と高品質な生成を実現するために,ハイブリッドエッジクラウドコラボレーションフレームワークが最近提案されている。
過度の雲が推論時間を延ばす一方、不十分なステップは意味的な曖昧さを引き起こし、エッジモデルの出力の不整合を引き起こす。
勾配に基づく雑音推定により雲の推測を高速化するEC-Diffを提案する。
提案手法は, エッジ推定に比べて生成品質を著しく向上する一方で, クラウド推定に比べて平均2倍の速度アップを達成できる。
論文 参考訳（メタデータ） (2025-07-16T07:23:14Z) - When Cloud Removal Meets Diffusion Model in Remote Sensing [4.824120664293887]
リモートセンシング画像における雲除去のための新しいフレームワークであるDC4CR(Diffusion Control for Cloud removal)を提案する。
提案手法では, 予め生成した雲面に頼らずに, 薄い雲と厚い雲を選択的に除去できるプロンプト駆動制御を導入する。
RICEとCUHK-CRデータセットの実験では、最先端のパフォーマンスを示し、さまざまな条件で優れたクラウド除去を実現している。
論文 参考訳（メタデータ） (2025-04-21T00:56:57Z) - Multimodal Diffusion Bridge with Attention-Based SAR Fusion for Satellite Image Cloud Removal [15.014162404892557]
クラウド除去のための拡散ブリッジ、DB-CR、クラウドとクラウドフリーの画像分散の間のブリッジ。
DB-CRは計算効率が良く、高忠実度が得られる。
論文 参考訳（メタデータ） (2025-04-04T17:25:49Z) - Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。
前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
論文 参考訳（メタデータ） (2024-11-21T13:44:18Z) - Improving Vector-Quantized Image Modeling with Latent Consistency-Matching Diffusion [55.185588994883226]
VQ-LCMDは、学習を安定させる埋め込み空間内の連続空間潜在拡散フレームワークである。
VQ-LCMDは、関節埋め込み拡散変動下界と整合整合性(CM)損失を組み合わせた新しいトレーニング目標を使用する。
実験により,提案したVQ-LCMDは離散状態潜伏拡散モデルと比較して,FFHQ,LSUN教会,LSUNベッドルームにおいて優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2024-10-18T09:12:33Z) - Multi-scale Restoration of Missing Data in Optical Time-series Images with Masked Spatial-Temporal Attention Network [0.6675733925327885]
リモートセンシング画像に欠落した値を出力する既存の方法は、補助情報を完全に活用できない。
本稿では,時系列リモートセンシング画像の再構成のためのMS2という,深層学習に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-19T09:05:05Z) - IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
雲除去のための反復拡散過程(IDF-CR)を提案する。
IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。
潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
論文 参考訳（メタデータ） (2024-03-18T15:23:48Z)
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。