論文の概要: Remote Sensing Image Dehazing: A Systematic Review of Progress, Challenges, and Prospects

• arxiv url: http://arxiv.org/abs/2603.20289v1
• Date: Wed, 18 Mar 2026 14:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.806301
• Title: Remote Sensing Image Dehazing: A Systematic Review of Progress, Challenges, and Prospects
• Title（参考訳）: リモートセンシング画像デハジング:進歩・課題・展望の体系的レビュー
• Authors: Heng Zhou, Xiaoxiong Liu, Zhenxi Zhang, Jieheng Yun, Chengyang Li, Yunchu Yang, Dongyi Xia, Chunna Tian, Xiao-Jun Wu,
• Abstract要約: リモートセンシング画像(RSI)は、しばしば迷路、霧、薄い雲によって劣化し、表面反射率を曖昧にし、下流のアプリケーションを妨げる。 本研究は,RSIの脱ハージング,方法論的進化,ベンチマーク評価,物理的整合性解析を統合した最初の体系的,統一的な調査である。
• 参考スコア（独自算出の注目度）: 18.5046781429395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing images (RSIs) are frequently degraded by haze, fog, and thin clouds, which obscure surface reflectance and hinder downstream applications. This study presents the first systematic and unified survey of RSIs dehazing, integrating methodological evolution, benchmark assessment, and physical consistency analysis. We categorize existing approaches into a three-stage progression: from handcrafted physical priors, to data-driven deep restoration, and finally to hybrid physical-intelligent generation, and summarize more than 30 representative methods across CNNs, GANs, Transformers, and diffusion models. To provide a reliable empirical reference, we conduct large-scale quantitative experiments on five public datasets using 12 metrics, including PSNR, SSIM, CIEDE, LPIPS, FID, SAM, ERGAS, UIQI, QNR, NIQE, and HIST. Cross-domain comparison reveals that recent Transformer- and diffusion-based models improve SSIM by 12%~18% and reduce perceptual errors by 20%~35% on average, while hybrid physics-guided designs achieve higher radiometric stability. A dedicated physical radiometric consistency experiment further demonstrates that models with explicit transmission or airlight constraints reduce color bias by up to 27%. Based on these findings, we summarize open challenges: dynamic atmospheric modeling, multimodal fusion, lightweight deployment, data scarcity, and joint degradations, and outline promising research directions for future development of trustworthy, controllable, and efficient (TCE) dehazing systems. All reviewed resources, including source code, benchmark datasets, evaluation metrics, and reproduction configurations are publicly available at https://github.com/VisionVerse/RemoteSensing-Restoration-Survey.
• Abstract（参考訳）: リモートセンシング画像(RSI)は、しばしば迷路、霧、薄い雲によって劣化し、表面反射率を曖昧にし、下流のアプリケーションを妨げる。 本研究は,RSIの脱ハージング,方法論的進化,ベンチマーク評価,物理的整合性解析を統合した最初の体系的,統一的な調査である。 我々は既存のアプローチを,手作りの物理先行からデータ駆動の深層復元,そして最終的にはハイブリッドな物理インテリジェント生成まで3段階に分類し,CNN,GAN,トランスフォーマー,拡散モデルにまたがる30以上の代表的手法を要約する。 そこで我々は,PSNR, SSIM, CIEDE, LPIPS, FID, SAM, ERGAS, UIQI, QNR, NIQE, HISTの計12つの指標を用いて, 5つの公開データセットに対して大規模な定量的実験を行った。 クロスドメイン比較では、最近のトランスフォーマーと拡散に基づくモデルではSSIMを12%〜18%改善し、知覚誤差を平均で20%～35%低減し、ハイブリッド物理誘導設計ではラジオメトリック安定性が向上している。 専用の物理放射量整合性実験により、明示的な透過や光の制約のあるモデルでは、色バイアスが最大で27%減少することが示された。 これらの知見に基づいて, ダイナミックな大気モデル, マルチモーダル融合, 軽量な展開, データの不足, 共同劣化といったオープンな課題を要約し, 信頼性, 制御性, 効率的な(TCE)脱ハージングシステムの今後の発展に向けた将来的な研究方向性を概説する。 ソースコード、ベンチマークデータセット、評価指標、再現構成を含むすべてのレビューされたリソースは、https://github.com/VisionVerse/RemoteSensing-Restoration-Surveyで公開されている。

関連論文リスト

• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Can Deep Learning Trigger Alerts from Mobile-Captured Images? [0.0594961162060159]
  本研究は,データ拡張手法の検証,大気質予測のためのCNNに基づく回帰モデリング,モバイル技術によるユーザ中心の大気質モニタリングに寄与する。 提案システムは,個人が情報的環境衛生と幸福な意思決定を行うための実践的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-07T03:39:43Z)
• AeroGen: Enhancing Remote Sensing Object Detection with Diffusion-Driven Data Generation [43.583735469794675]
  リモートセンシング画像オブジェクト検出(RSIOD)は、衛星や空中画像内の特定の物体を特定し、特定することを目的としている。 現在のRSIODデータセットにはラベル付きデータが不足しており、現在の検出アルゴリズムのパフォーマンスを著しく制限している。 本稿では,RSIODに適したレイアウト制御可能な拡散生成モデル(AeroGen)を提案する。
  論文  参考訳（メタデータ） (2024-11-23T09:04:33Z)
• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Tensor Decompositions for Hyperspectral Data Processing in Remote Sensing: A Comprehensive Review [85.36368666877412]
  ハイパースペクトル(HS)リモートセンシング(RS)イメージングは、地球表面の観測と分析のためにかなりの量の空間的およびスペクトル的情報を提供している。 近年のHS RS技術の進歩と革命は、様々な応用の可能性を実現する機会を与えている。 3次元HS固有の構造が維持されているため、テンソル分解はHSデータ処理タスクにおける幅広い関心や研究を引き起こしている。
  論文  参考訳（メタデータ） (2022-05-13T00:39:23Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。