論文の概要: Beyond Visual Fidelity: Benchmarking Super-Resolution Models for Large-Scale Remote Sensing Imagery via Downstream Task Integration

• arxiv url: http://arxiv.org/abs/2605.00310v1
• Date: Fri, 01 May 2026 00:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.797267
• Title: Beyond Visual Fidelity: Benchmarking Super-Resolution Models for Large-Scale Remote Sensing Imagery via Downstream Task Integration
• Title（参考訳）: ビジュアル忠実性を超えて:ダウンストリームタスク統合による大規模リモートセンシング画像の超解法モデルのベンチマーク
• Authors: Zhili Li, Kangyang Chai, Zhihao Wang, Xiaowei Jia, Yanhua Li, Gengchen Mai, Sergii Skakun, Dinesh Manocha, Yiqun Xie,
• Abstract要約: 超分解能(SR)技術は低分解能入力から高分解能画像の再構成に大きな進歩をもたらした。 GeoSR-Benchは、SRモデルから改良された画像解像度と下流の地球モニタリングタスクを直接接続する最初のSRベンチマークである。 270の設定で実験を行い、2つのクロスプラットフォームSRタスク、9つのSRモデル、3つのダウンストリームタスクモデル、各SRタスクの5つのダウンストリームタスクをカバーした。
• 参考スコア（独自算出の注目度）: 61.02313993032298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Super-resolution (SR) techniques have made major advances in reconstructing high-resolution images from low-resolution inputs. The increased resolution provides visual enhancement and utility for monitoring tasks. In particular, SR has been increasingly developed for satellite-based Earth observation, with applications in urban planning, agriculture, ecology, and disaster response. However, existing SR studies and benchmarks typically use fidelity metrics such as PSNR or SSIM, whereas the true utility of super-resolved images lies in supporting downstream tasks such as land cover classification, biomass estimation, and change detection. To bridge this gap, we introduce GeoSR-Bench, a downstream task-integrated SR benchmark dataset to evaluate SR models beyond fidelity metrics. GeoSR-Bench comprises spatially co-located, temporally aligned, and quality-controlled image pairs from about 36,000 locations across diverse land covers, spanning resolutions from 500m to 0.6m. To the best of our knowledge, GeoSR-Bench is the first SR benchmark that directly connects improved image resolution from SR models with downstream Earth monitoring tasks, including land cover segmentation, infrastructure mapping, and biophysical variable estimation. Using GeoSR-Bench, we benchmark GAN, transformer, neural operator, and diffusion-based SR models on perceptual quality and downstream task performance. We conduct experiments with 270 settings, covering 2 cross-platform SR tasks, 9 SR models, 3 downstream task models, and 5 downstream tasks for each SR task. The results show that improvements in traditional SR metrics often do not correlate with gains in task performance, and the correlations can be negative, indicating that these metrics provide limited guidance for selecting superior models for downstream tasks. This reveals the need to integrate downstream tasks into SR model development and evaluation.
• Abstract（参考訳）: 超分解能(SR)技術は低分解能入力から高分解能画像の再構成に大きな進歩をもたらした。 解像度の増大は、タスクの視覚的強化とユーティリティを提供する。 特に、SRは衛星による地球観測のために開発され、都市計画、農業、生態学、災害対応に応用されている。 しかし、既存のSR研究やベンチマークでは、PSNRやSSIMのような忠実度メトリクスが使用されるのが一般的であるが、超解像の真の有用性は、土地被覆分類、バイオマス推定、変化検出などの下流タスクをサポートすることである。 このギャップを埋めるために、我々は、下流のタスク統合SRベンチマークデータセットであるGeoSR-Benchを紹介します。 GeoSR-Benchは、500mから0.6mの解像度で、様々な土地をカバーする約36,000の場所から、空間的に、時間的に一致し、画質が制御された画像対で構成されている。 我々の知る限り、GeoSR-BenchはSRモデルから改良された画像解像度を直接接続する最初のSRベンチマークである。 GeoSR-Benchを用いて、GAN、トランスフォーマー、ニューラル演算子、拡散ベースSRモデルを知覚的品質および下流タスク性能でベンチマークする。 270の設定で実験を行い、2つのクロスプラットフォームSRタスク、9つのSRモデル、3つのダウンストリームタスクモデル、各SRタスクの5つのダウンストリームタスクをカバーした。 その結果、従来のSRメトリクスの改善はタスク性能の上昇と相関しないことが多く、相関性は否定的であり、これらの指標が下流タスクの優れたモデルを選択するための限られたガイダンスを提供することを示している。 これにより、下流タスクをSRモデルの開発と評価に統合する必要性が明らかになる。

関連論文リスト

• The Double-Edged Sword of Data-Driven Super-Resolution: Adversarial Super-Resolution Models [0.8921166277011348]
  本稿では,学習中のSRモデルの重みに直接,敵対行動を直接埋め込むことができることを示すフレームワークであるAdvSRを提案する。 AdvSRは、復元品質とターゲットとなる敵の成果を共同で最適化することにより、標準的な画像品質指標の下で良さそうなモデルを生成する。 これらの発見は、画像パイプラインに対する新たなモデルレベルの脅威を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-02-06T23:00:58Z)
• Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
  現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。 現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。 我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:57:23Z)
• Segmentation-Aware Latent Diffusion for Satellite Image Super-Resolution: Enabling Smallholder Farm Boundary Delineation [17.665426233633646]
  衛星画像のセグメンテーションを通じて農地の境界線を定めることは、多くの農業応用における基本的なステップである。 現在のRef-SR手法は、下流タスクに必要な知覚品質とスムーズな重要な機能を最適化する。 我々はこれらの問題を,条件付き潜在拡散モデルと大規模マルチスペクトル・マルチソース地空間基盤モデルを組み合わせた新しいアプローチである$textbfSEED-SR$を用いて解決する。
  論文  参考訳（メタデータ） (2025-11-18T13:21:58Z)
• SU-ESRGAN: Semantic and Uncertainty-Aware ESRGAN for Super-Resolution of Satellite and Drone Imagery with Fine-Tuning for Cross Domain Evaluation [0.0]
  GAN(Generative Adversarial Networks)は、画像の現実的な超解像(SR)を実現しているが、セマンティック一貫性と画素ごとの信頼性は欠如している。 本稿では,衛星画像にESRGANを統合するための最初のSRフレームワークであるSemantic and Uncertainty-Aware ESRGAN(SU-ESRGAN)を紹介する。 この新モデルは、広視野視野カメラ(FoV)を使用した衛星システムやUAVにおいて、カバー範囲の空間分解能のトレードオフとして有用である。
  論文  参考訳（メタデータ） (2025-08-01T16:25:21Z)
• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
  大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。 既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。 本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:06:16Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• A comparative analysis of SRGAN models [0.0]
  実世界の画像のベンチマークデータセットを用いて,SRGAN(Super Resolution Generative Adversarial Network)モデル,ESRGAN,Real-ESRGAN,EDSRの性能評価を行った。 いくつかのモデルは、視覚的品質を維持しながら入力画像の解像度を著しく向上させるように見えるが、これはTesseract OCRエンジンを用いて評価される。
  論文  参考訳（メタデータ） (2023-07-18T17:35:45Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Evaluating the Generalization Ability of Super-Resolution Networks [45.867729539843]
  本稿では,SRGAネットワークの一般化評価指標を提案する。 SRGAは、一般化能力を測定するためにディープネットワークの内部特性の統計特性を利用する。 一般化能力に関する既存のSRモデルをベンチマークする。
  論文  参考訳（メタデータ） (2022-05-14T09:33:20Z)

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。