Fugu-MT 論文翻訳(概要): FLoRA: Fusion-Latent for Optical Reconstruction and Flood Area Segmentation via Cross-Modal Multi-Task Distillation Network

論文の概要: FLoRA: Fusion-Latent for Optical Reconstruction and Flood Area Segmentation via Cross-Modal Multi-Task Distillation Network

arxiv url: http://arxiv.org/abs/2605.02137v1
Date: Mon, 04 May 2026 01:37:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.101584
Title: FLoRA: Fusion-Latent for Optical Reconstruction and Flood Area Segmentation via Cross-Modal Multi-Task Distillation Network
Title（参考訳）: FLoRA: クロスモーダルマルチタスク蒸留ネットワークによる光再構成と洪水領域分割のための核融合
Authors: Jagrati Talreja, Tewodros Syum Gebre, Leila Hashemi-Beni,
Abstract要約: FLoRAは、高精細な光学画像を共同で再構築し、センチネル1号SARから浸水領域を分割するクロスモーダルフレームワークである。設計により、(a)微粒なRGB再構成のためのSAR-光変換と(b)水文解釈のための洪水水領域セグメンテーションの2つの相補的な目的にまたがるマルチタスク学習が可能となる。
参考スコア（独自算出の注目度）: 0.3186130813218338
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate flood water mapping is critical for disaster management, yet current methods struggle to fully exploit the potential of spaceborne imagery. Optical data offers high interpretability but is limited by environmental conditions, whereas SAR provides reliable all-weather coverage with reduced visual interpretability. FLoRA (Fusion Latent for Optical Reconstruction and Area Segmentation) is a cross-modal multi-task framework that jointly reconstructs high-fidelity optical imagery and segments flood water regions from Sentinel 1 SAR by fusing the complementary strengths of optical and SAR data. During training, a lightweight optical teacher (driven by RGB and NDVI priors) provides pyramidal features that guide SAR representations into a fusion latent space via multiscale windowed cross attention and FiLM conditioning, with gated residuals preventing overcorrection. This design enables multi-task learning across two complementary objectives: (a) SAR-to-optical translation for fine-grained RGB reconstruction and (b) flood water region segmentation for hydrologic interpretation. The dual decoders are optimized using Charbonnier SSIM for structural fidelity, edge FFT magnitude losses for spectral realism, and Dice BCE hydrology-aware edge alignment for precise flood water delineation. A feature distillation constraint further aligns fused SAR features with the optical teacher's manifold. Evaluations on SEN1FLOODS11, DEEPFLOOD, and SEN12MS demonstrate that FLoRA surpasses fusion baselines in PSNR, SSIM, and LPIPS, demonstrating that multi-modal fusion within a teacher-guided latent space yields semantically faithful and physically consistent flood-water intelligence from spaceborne observations.
Abstract（参考訳）: 正確な洪水水マッピングは災害管理に重要であるが、現在の方法では、宇宙からの映像の可能性を十分に活用することができない。光データは高い解釈性を提供するが、環境条件によって制限される。 FLoRA(Fusion Latent for Optical Reconstruction and Area Segmentation)は、光とSARデータの相補的な強度を融合させることで、高忠実度光画像とセグメンテーションをセンチネル1号SARから共同で再構築する多目的マルチタスクフレームワークである。訓練中、ライトウェイトな光学教師(RGBとNDVIで駆動される)は、SAR表現をマルチスケールの窓付きクロスアテンションとFiLMコンディショニングを通じて融合潜時空間に誘導するピラミッド的特徴を提供し、ゲート状残差は過補正を防ぐ。この設計により,2つの相補的な目的にまたがるマルチタスク学習が可能となる。 (a)微細RGB再構成のためのSAR-to-optical Translation (b)水理学的解釈のための洪水水域区分両復号器は, チャーボンニエSSIMを用いて, 構造忠実度, スペクトルリアリズムのエッジFFT等級損失, 正確な洪水水洗のためのDice BCEハイドロロジー対応エッジアライメントを最適化した。特徴蒸留制約により、融合したSAR特徴と光学教師の多様体とはさらに整合する。 SEN1FLOODS11, DEEPFLOOD, SEN12MSの評価は、FLoRAがPSNR, SSIM, LPIPSの核融合ベースラインを超えることを示した。

関連論文リスト

Representative Spectral Correlation Network for Multi-source Remote Sensing Image Classification [44.20355634294824]
representative Spectral correlation Network (RSCNet) は、新しいマルチソース画像分類フレームワークである。 RSCNetはスペクトル選択と適応的相互作用を通じて課題に対処する。 3つの公開ベンチマークデータセットの実験では、RCCNetは最先端の手法と比較して優れたパフォーマンスを達成している。
論文参考訳（メタデータ） (2026-04-30T02:10:38Z)
Unified Restoration-Perception Learning: Maritime Infrared-Visible Image Fusion and Segmentation [26.524834042246408]
海洋環境における霧や強い反射は、画像劣化を引き起こす。海洋環境における霧や強い反射は、画像劣化を引き起こす。 Infrared-Visible Maritime Shipデータセットは、様々な天候と照明条件下での様々な海洋シナリオをカバーするために提案されている。このフレームワークは、劣化抑制と構造強化のための周波数・空間拡張補完(FSEC)モジュール、意味一貫性ガイダンスのためのセマンティック・ビジュアル・コンシスタンス・アテンション(SVCA)モジュール、選択的核融合のためのクロスモーダル誘導注意機構を含む。
論文参考訳（メタデータ） (2026-03-30T13:26:05Z)
Task-Driven Prompt Learning: A Joint Framework for Multi-modal Cloud Removal and Segmentation [11.468907022707013]
TDP-CRはタスク駆動のフレームワークで、クラウド削除と土地被覆のセグメンテーションを共同で行う。我々のアプローチの中心は、雲の厚さと空間の不確かさを符号化する学習可能な劣化プロンプトを利用するPrompt-Guided Fusionメカニズムである。 LuojiaSET-OSFCRデータセットの実験は、我々のフレームワークの優位性を実証している。
論文参考訳（メタデータ） (2026-01-17T13:32:38Z)
MOS: Mitigating Optical-SAR Modality Gap for Cross-Modal Ship Re-Identification [7.7794453452329]
光学・合成開口レーダ(SAR)画像間のReID(re-modal ship re-identification)は、海洋情報と監視において重要で未発見の課題として浮上している。我々は,光-SARモダリティギャップを緩和し,光-SARクロスモーダル船ReIDのためのモダリティ-一貫性特徴学習を実現するための新しいフレームワークであるMOSを提案する。
論文参考訳（メタデータ） (2025-12-03T03:23:19Z)
S2ML: Spatio-Spectral Mutual Learning for Depth Completion [56.26679539288063]
RGB-Dカメラで撮影した生深度画像は、弱い反射、境界影、アーティファクトによって不完全な深度値に悩まされることが多い。既存の手法では、画像領域の深度補完によってこの問題に対処するが、それらは生の深度画像の物理的特性を見落としている。本研究では,空間領域と周波数領域の両方の利点を両立させるため,S2ML(Spatio-Spectral Mutual Learning framework)を提案する。
論文参考訳（メタデータ） (2025-11-08T15:01:55Z)
Annotation-Free Open-Vocabulary Segmentation for Remote-Sensing Images [51.74614065919118]
本稿では,アノテーションのないRS画像のオープン語彙セグメンテーションのための最初のフレームワークであるSegEarth-OVを紹介する。粗い特徴から高分解能空間の詳細を頑健に復元する普遍的なアップサンプラーであるSimFeatUpを提案する。また、パッチ機能から固有のグローバルコンテキストを抽出するための、シンプルで効果的なグローバルバイアス緩和操作も提示する。
論文参考訳（メタデータ） (2025-08-25T14:22:57Z)
DepthMatch: Semi-Supervised RGB-D Scene Parsing through Depth-Guided Regularization [43.974708665104565]
本稿では,RGB-Dシーン解析に特化して設計された半教師付き学習フレームワークDepthMatchを紹介する。本稿では,RGB-D画像対におけるテクスチャと空間的特徴の潜伏関係を明らかにするために,補間パッチ混在拡大法を提案する。また,従来の複合核融合モジュールを代替する軽量空間先行インジェクタを設計し,不均一な特徴核融合の効率を向上する。
論文参考訳（メタデータ） (2025-05-26T14:26:31Z)
DehazeMamba: SAR-guided Optical Remote Sensing Image Dehazing with Adaptive State Space Model [27.83437788159158]
DehazeMambaはプログレッシブ・ヘイズ・デカップリング・フュージョン・ストラテジー上に構築された新規なSAR誘導脱ヘイズ・ネットワークである。提案手法は,光-SAR差分解析によるヘイズ影響領域を動的に同定するHPDMと,特徴量評価に基づく2段階融合プロセスによるドメインシフトを緩和するプログレッシブ・フュージョン・モジュール (PFM) である。大規模な実験により、DehazeMambaは最先端の手法を著しく上回り、PSNRの0.73dB改善と下流タスクの大幅な強化を実現している。
論文参考訳（メタデータ） (2025-03-17T11:25:05Z)
DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文参考訳（メタデータ） (2023-05-02T18:06:21Z)
Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
論文参考訳（メタデータ） (2020-11-26T06:14:10Z)

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。