論文の概要: Self-Supervised Uncertainty Estimation For Super-Resolution of Satellite Images

• arxiv url: http://arxiv.org/abs/2603.14074v1
• Date: Sat, 14 Mar 2026 18:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.583054
• Title: Self-Supervised Uncertainty Estimation For Super-Resolution of Satellite Images
• Title（参考訳）: 衛星画像の超解像に対する自己監督不確かさ推定
• Authors: Zhe Zheng, Valéry Dewil, Pablo Arias,
• Abstract要約: 超高解像度衛星画像は、ペアの低解像度/高解像度データがないため、困難である。 近年の自己監督型SR法は、バースト観測における時間的冗長性を利用してこの制限を克服している。 画像の超解像における不確かさを、地上の高解像データにアクセスすることなく推定できる新たな自己監督的損失を導入する。
• 参考スコア（独自算出の注目度）: 6.86762910763467
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Super-resolution (SR) of satellite imagery is challenging due to the lack of paired low-/high-resolution data. Recent self-supervised SR methods overcome this limitation by exploiting the temporal redundancy in burst observations, but they lack a mechanism to quantify uncertainty in the reconstruction. In this work, we introduce a novel self-supervised loss that allows to estimate uncertainty in image super-resolution without ever accessing the ground-truth high-resolution data. We adopt a decision-theoretic perspective and show that minimizing the corresponding Bayesian risk yields the posterior mean and variance as optimal estimators. We validate our approach on a synthetic SkySat L1B dataset and demonstrate that it produces calibrated uncertainty estimates comparable to supervised methods. Our work bridges self-supervised restoration with uncertainty quantification, making a practical framework for uncertainty-aware image reconstruction.
• Abstract（参考訳）: 衛星画像の超解像(SR)は、ペアの低解像度/高解像度データの欠如により困難である。 近年の自己監督型SR法では、バースト観測における時間的冗長性を利用してこの制限を克服しているが、復元における不確実性を定量化するメカニズムが欠如している。 本研究では,画像の超解像における不確かさを,地上の高解像データにアクセスすることなく推定できる新たな自己監督的損失を導入する。 我々は,決定論的視点を採用し,ベイズリスクの最小化が最適推定器としての後方平均と分散をもたらすことを示す。 合成SkySat L1Bデータセットに対する我々のアプローチを検証するとともに,教師付き手法に匹敵するキャリブレーションされた不確実性推定値を生成することを実証する。 我々の研究は、不確実性定量化による自己監督的修復を橋渡しし、不確実性認識画像再構成のための実践的な枠組みを構築した。

関連論文リスト

• Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning [49.28548464288051]
  Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせることで、画像検索を可能にする。 CIR三重項の内在ノイズは内在的不確実性を引き起こし、モデルの堅牢性を脅かす。 本稿では,これらの制約を克服するための不確実性誘導(HUG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-01-16T16:05:49Z)
• Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
  幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:45:03Z)
• Deep priors for satellite image restoration with accurate uncertainties [4.879530644978008]
  本稿では,複数のセンサからの画像を復元する1つのネットワークを包含する汎用手法を提案する。 VBLE-xzは、現実的な後続サンプルと正確な不確実性を得るためのスケーラブルな方法である。 SatDPIRは、不確実性を必要としない場合、直接反転法に代わる魅力的な代替手段である。
  論文  参考訳（メタデータ） (2024-12-05T12:56:03Z)
• Modeling uncertainty for Gaussian Splatting [21.836830270709]
  ガウススティング(GS)を用いた不確実性推定のための最初のフレームワークを提案する。 本稿では,不確実性予測をGSの共通レンダリングパイプラインにシームレスに統合する,変分推論に基づくアプローチを提案する。 また、損失関数の新たな用語としてAUSE(Area Under Sparsification Error)を導入し、画像再構成とともに不確実性推定の最適化を可能にする。
  論文  参考訳（メタデータ） (2024-03-27T11:45:08Z)
• On the Quantification of Image Reconstruction Uncertainty without Training Data [5.057039869893053]
  本稿では,深部生成モデルを用いて近似後部分布を学習する深部変分フレームワークを提案する。 フローベースモデルを用いてターゲット後部をパラメータ化し,KL(Kullback-Leibler)の発散を最小限に抑え,正確な不確実性推定を実現する。 提案手法は信頼性と高品質な画像再構成を実現し,信頼性の高い不確実性を推定する。
  論文  参考訳（メタデータ） (2023-11-16T07:46:47Z)
• Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems [0.24475591916185502]
  パラメトリックブートストラップアルゴリズムの等価な定式化に基づく新しい不確実性定量化手法を提案する。 提案手法は汎用的であり,任意の画像再構成手法で容易に適用可能である。 提案手法を数値実験および代替不確実性定量化戦略との比較により実証する。
  論文  参考訳（メタデータ） (2023-10-18T09:43:15Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)
• Temporal Difference Uncertainties as a Signal for Exploration [76.6341354269013]
  強化学習における探索の効果的なアプローチは、最適な政策に対するエージェントの不確実性に依存することである。 本稿では,評価値のバイアスや時間的に矛盾する点を強調した。 本稿では,時間差誤差の分布の導出に依存する値関数の不確かさを推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-05T18:11:22Z)

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。