論文の概要: Remote Sensing Image Super-Resolution for Imbalanced Textures: A Texture-Aware Diffusion Framework

• arxiv url: http://arxiv.org/abs/2604.13994v1
• Date: Wed, 15 Apr 2026 15:36:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.613439
• Title: Remote Sensing Image Super-Resolution for Imbalanced Textures: A Texture-Aware Diffusion Framework
• Title（参考訳）: 不均衡なテクスチャに対するリモートセンシング画像超解法:テクスチャ認識拡散フレームワーク
• Authors: Enzhuo Zhang, Sijie Zhao, Dilxat Muhtar, Zhenshi Li, Xueliang Zhang, Pengfeng Xiao,
• Abstract要約: 近年, 自然画像の超解像化において, 先進拡散は最先端の性能を達成している。 リモートセンシング画像への直接的適用は、重大な欠点を露呈する。 テクスチャ分布を表すためにRTDM(Relative Texture Map)を推定することから始まる新しいフレームワークであるTexADiffを提案する。
• 参考スコア（独自算出の注目度）: 14.897323487173587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative diffusion priors have recently achieved state-of-the-art performance in natural image super-resolution, demonstrating a powerful capability to synthesize photorealistic details. However, their direct application to remote sensing image super-resolution (RSISR) reveals significant shortcomings. Unlike natural images, remote sensing images exhibit a unique texture distribution where ground objects are globally stochastic yet locally clustered, leading to highly imbalanced textures. This imbalance severely hinders the model's spatial perception. To address this, we propose TexADiff, a novel framework that begins by estimating a Relative Texture Density Map (RTDM) to represent the texture distribution. TexADiff then leverages this RTDM in three synergistic ways: as an explicit spatial conditioning to guide the diffusion process, as a loss modulation term to prioritize texture-rich regions, and as a dynamic adapter for the sampling schedule. These modifications are designed to endow the model with explicit texture-aware capabilities. Experiments demonstrate that TexADiff achieves superior or competitive quantitative metrics. Furthermore, qualitative results show that our model generates faithful high-frequency details while effectively suppressing texture hallucinations. This improved reconstruction quality also results in significant gains in downstream task performance. The source code of our method can be found at https://github.com/ZezFuture/TexAdiff.
• Abstract（参考訳）: 生成拡散の先駆者は、最近、自然画像の超解像における最先端のパフォーマンスを達成し、フォトリアリスティックな詳細を合成する強力な能力を示している。 しかし、リモートセンシング画像超解像(RSISR)への直接的適用は、重大な欠点を明らかにする。 自然画像とは異なり、リモートセンシング画像は、地上の物体が地球規模で確率的だが局所的にクラスタ化されている独特のテクスチャ分布を示し、高度に不均衡なテクスチャをもたらす。 この不均衡はモデルの空間的知覚を著しく妨げます。 そこで我々は,テクスチャ分布を表すための相対テクスチャ密度マップ(RTDM)を推定することから始まる,新しいフレームワークであるTexADiffを提案する。 次に、TexADiffは、このRTDMを3つの相乗的な方法で利用し、拡散過程を導出するための明示的な空間条件付け、テクスチャリッチな領域の優先順位付けのための損失変調項、サンプリングスケジュールの動的アダプタとして利用する。 これらの修正は、明示的なテクスチャ認識機能を備えたモデルを提供するように設計されている。 実験により、TexADiffは優れた、または競争力のあるメトリクスを達成できることが示された。 さらに,本モデルでは,テクスチャの幻覚を効果的に抑制しつつ,忠実な高周波の詳細を生成することを示す。 この再構築品質の改善により、下流タスクのパフォーマンスも大幅に向上する。 私たちのメソッドのソースコードはhttps://github.com/ZezFuture/TexAdiff.orgで参照できます。

関連論文リスト

• Learning Deblurring Texture Prior from Unpaired Data with Diffusion Model [92.61216319417208]
  画像の劣化に対する新しい拡散モデル(DM)に基づくフレームワークを提案する。 我々の研究は、ぼやけた画像のテクスチャを回復するのに役立つ事前知識を生成するために、DMを実行する。 生成したテクスチャをフル活用するために,テクスチャ転送変換層(TTformer)を提案する。
  論文  参考訳（メタデータ） (2025-07-18T01:50:31Z)
• BUFF: Bayesian Uncertainty Guided Diffusion Probabilistic Model for Single Image Super-Resolution [19.568467335629094]
  ベイジアン不確実性誘導拡散確率モデル(BUFF)を紹介する。 BUFFは、ハイレゾな不確実性マスクを生成するためにベイズネットワークを組み込むことで、自分自身を区別する。 複雑なテクスチャと細部が特徴の領域において、人工物やぼやけを著しく軽減する。
  論文  参考訳（メタデータ） (2025-04-04T14:43:45Z)
• FashionR2R: Texture-preserving Rendered-to-Real Image Translation with Diffusion Models [14.596090302381647]
  本稿では,レンダリングの制御に基づく拡散モデルから生成するパワーを利用して,レンダリング画像のフォトリアリズム向上について検討する。 ドメイン知識注入(Domain Knowledge Injection, DKI)と現実画像生成(Realistic Image Generation, RIG)という2つの段階から構成される。
  論文  参考訳（メタデータ） (2024-10-18T12:48:22Z)
• Self-Adaptive Reality-Guided Diffusion for Artifact-Free Super-Resolution [47.29558685384506]
  アーティファクトフリー・スーパーレゾリューション(SR)は、低解像度画像を、オリジナルコンテンツの厳密な整合性のある高解像度画像に変換することを目的としている。 従来の拡散型SR技術は反復的な手順でアーティファクトを導入する傾向にある。 本稿では,自己適応型現実誘導拡散(Self-Adaptive Reality-Guided Diffusion)を提案する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:19Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Text-guided High-definition Consistency Texture Model [0.0]
  本稿では,3次元メッシュのテクスチャをテキストプロンプトに従って生成する手法として,HCTM(High-definition Consistency Texture Model)を提案する。 本研究では,事前学習した深度画像拡散モデルを利用して,テキストプロンプトと深度マップに基づいて単一視点結果を生成する。 提案手法は、3次元メッシュに対して高精細で一貫したテクスチャを生成する上で有望な結果を示した。
  論文  参考訳（メタデータ） (2023-05-10T05:09:05Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)

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。