論文の概要: deSEO: Physics-Aware Dataset Creation for High-Resolution Satellite Image Shadow Removal

• arxiv url: http://arxiv.org/abs/2605.03610v1
• Date: Tue, 05 May 2026 10:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.894848
• Title: deSEO: Physics-Aware Dataset Creation for High-Resolution Satellite Image Shadow Removal
• Title（参考訳）: deSEO:高分解能衛星画像のシャドウ除去のための物理対応データセット作成
• Authors: Lorenzo Beltrame, Jules Salzinger, Filip Svoboda, Phillipp Fanta-Jende, Jasmin Lampert, Radu Timofte, Marco Körner,
• Abstract要約: 地形や高層構造物の影は、高解像度衛星画像解析の大きな障害となっている。 ほとんどの地球観測データセットは、除去ではなく、影の検出や3Dモデリングのために設計されている。 我々は、衛星影除去のためのペア化された監督法を初めて導出した幾何学的・物理学的インフォームド手法を開発した。
• 参考スコア（独自算出の注目度）: 36.90985364531957
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Shadows cast by terrain and tall structures remain a major obstacle for high-resolution satellite image analysis, degrading classification, detection, and 3D reconstruction performance. Public resources offering geometry-consistent paired shadow/shadow-free satellite imagery are essentially missing, and most Earth-observation datasets are designed for shadow detection or 3D modelling rather than removal. Existing deep shadow-removal datasets either target ground-level or aerial scenes or rely on unpaired and weakly supervised formulations rather than explicit satellite pairs. We address this gap with deSEO, a geometry-aware and physics-informed methodology that, to the best of our knowledge, is the first to derive paired supervision for satellite shadow removal from the S-EO shadow detection dataset through a fully replicable pipeline. For each tile, deSEO selects a minimally shadowed acquisition as a weak reference and pairs it with shadowed counterparts using temporal and geometric filtering, Jacobian-based orientation normalisation, and LoFTR-RANSAC registration. A per-pixel validity mask restricts learning to reliably aligned regions, enabling supervision despite residual off-nadir parallax. In addition to this paired dataset, we develop a DSM-aware deshadowing model that combines residual translation, perceptual objectives, and mask-constrained adversarial learning. In contrast, a direct adaptation of a UAV-based SRNet/pix2pix architecture fails to converge under satellite viewpoint variability. Our model consistently reduces the visual impact of cast shadows across diverse illumination and viewing conditions, achieving improved structural and perceptual fidelity on held-out scenes. deSEO therefore provides the first reproducible, geometry-aware paired dataset and baseline for shadow removal in satellite Earth observation.
• Abstract（参考訳）: 地形や高層構造物の影は、高解像度衛星画像解析、劣化分類、検出、3次元再構成性能の大きな障害となっている。 幾何一貫性のある対影・陰影のない衛星画像を提供する公共資源は基本的に欠落しており、ほとんどの地球観測データセットは除去ではなく影の検出や3Dモデリングのために設計されている。 既存の深いシャドウ除去データセットは地上や空中の場面をターゲットとするか、明確な衛星対ではなく、未熟で弱い監督による定式化に依存している。 我々はこのギャップに,S-EOシャドウ検出データセットから完全に複製可能なパイプラインを通して,衛星シャドウ除去のためのペア化された監督を導出する,幾何学的・物理学的インフォームド手法であるdeSEOで対処する。 各タイルについて、deSEOは最小限のシャドード取得を弱い参照として選択し、時間的および幾何学的フィルタリング、ヤコビアンベースの配向正規化、LoFTR-RANSAC登録を用いてシャドード取得と組み合わせる。 画素当たりの妥当性マスクは、学習を確実に整列した領域に制限し、残光パララックスにもかかわらず監督を可能にする。 このペアデータセットに加えて、残差翻訳、知覚的目的、マスク制約付き対向学習を組み合わせたDSM対応デシャドーイングモデルを開発した。 対照的に、UAVベースのSRNet/pix2pixアーキテクチャの直接適応は、衛星視点の可変性の下では収束しない。 我々のモデルは、様々な照明や視聴条件における鋳型影の視覚的影響を一貫して低減し、ホールドアウトシーンにおける構造的および知覚的忠実性の向上を実現している。 したがって、デセオは、衛星地球観測において初めて再現可能な、幾何学的に認識されたペアデータセットと、シャドウ除去のためのベースラインを提供する。

関連論文リスト

• SARU: A Shadow-Aware and Removal Unified Framework for Remote Sensing Images with New Benchmarks [13.514199503432467]
  リモートセンシング画像(RSI)における影は一般的な問題である それまでの作業のほとんどは、シャドウ検出と削除を分離されたカスケードされたタスクとして扱う。 我々はShadow-Aware and removal Unified (SARU)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T09:38:02Z)
• VSDiffusion: Taming Ill-Posed Shadow Generation via Visibility-Constrained Diffusion [10.547624877131122]
  挿入された前景オブジェクトに対してリアルなキャストシャドウを生成するためのVSDiffusionを提案する。 可視性に制約のある2段階のフレームワークは、可視性事前を取り入れることで、ソリューション空間を狭めるように設計されている。 広く使われているDESOBAv2データセットの実験では、提案したVSDiffusionが正確なシャドウを生成することを示した。
  論文  参考訳（メタデータ） (2026-03-09T06:52:53Z)
• Joint Shadow Generation and Relighting via Light-Geometry Interaction Maps [51.82696819319878]
  単分子深度から光を識別する新しい表現である光幾何相互作用マップを提案する。 LGIは、オフザシェルフ2.5D深度マップ予測から計算された、確実かつ正確に光と影の相互作用をキャプチャする。 LGIをブリッジマッチングした生成バックボーンに埋め込むことで、曖昧さを低減し、物理的に一貫した光陰性推論を強制する。
  論文  参考訳（メタデータ） (2026-02-25T11:47:26Z)
• S-EO: A Large-Scale Dataset for Geometry-Aware Shadow Detection in Remote Sensing Applications [9.673688224123369]
  S-EOデータセットは、ジオメトリ対応のシャドウ検出を前進させるために設計された、大規模で高解像度のデータセットである。 データセットは米国全体で702個の測地タイルで構成され、それぞれ500×500mをカバーしている。 各画像に対して、幾何と太陽の位置から派生した影マスク、NDVI指数に基づく植生マスク、バンドル調整RPCモデルを提供する。
  論文  参考訳（メタデータ） (2025-04-09T14:25:35Z)
• Soft-Hard Attention U-Net Model and Benchmark Dataset for Multiscale Image Shadow Removal [2.999888908665659]
  本研究では,マルチスケールシャドウ除去に着目した,ソフトハード注意U-net(SHAU)という新しいディープラーニングアーキテクチャを提案する。 マルチスケールシャドウ除去データセット(MSRD)と呼ばれる新しい合成データセットを提供し、複数のスケールの複雑なシャドウパターンを含んでいる。 その結果,SHAUは,様々なベンチマークデータセット間で,関連する最先端のシャドウ除去方法に対して有効であることが示された。
  論文  参考訳（メタデータ） (2024-08-07T12:42:06Z)
• ShadowDiffusion: When Degradation Prior Meets Diffusion Model for Shadow Removal [74.86415440438051]
  画像と劣化先行情報を統合した統合拡散フレームワークを提案する。 SRDデータセット上でのPSNRは31.69dBから34.73dBへと大幅に向上した。
  論文  参考訳（メタデータ） (2022-12-09T07:48:30Z)
• Aligning Silhouette Topology for Self-Adaptive 3D Human Pose Recovery [70.66865453410958]
  アーティキュレーション中心の2D/3Dポーズ監視は、既存の多くの人間のポーズ推定技術においてコアトレーニング目標を形成する。 本稿では,ソース学習モデルベース回帰器を適応させるために,シルエット監視のみに依存する新しいフレームワークを提案する。 我々は、トポロジカル・スケルトン表現を生シルエットから切り離すために、一連の畳み込みに優しい空間変換を開発する。
  論文  参考訳（メタデータ） (2022-04-04T06:58:15Z)

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。