論文の概要: Flow-based Gaussian Splatting for Continuous-Scale Remote Sensing Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2605.22147v1
- Date: Thu, 21 May 2026 08:19:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 20:14:18.535912
- Title: Flow-based Gaussian Splatting for Continuous-Scale Remote Sensing Image Super-Resolution
- Title（参考訳）: 連続的リモートセンシング画像超解像のためのフローベースガウススプラッティング
- Authors: Jiangwei Mo, Xi Lu, Hanlin Wu,
- Abstract要約: FlowGS は RSI の任意のスケール SR のための生成的再構成フレームワークである。
連続的な特徴場を構築するために2次元ガウススプラッティングを用い、任意のクエリ箇所で柔軟な再構成を可能にする。
- 参考スコア（独自算出の注目度）: 5.111440805874026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution remote sensing images (RSIs) are crucial for Earth observation applications, yet acquiring them is often limited by sensor constraints and costs. In recent years, generative super-resolution (SR) methods, particularly diffusion models, have made significant progress. However, they typically require slow iterative inference with 40--1000 steps and exhibit limited flexibility in continuous-scale SR settings. To address these issues, we propose FlowGS, a generative reconstruction framework for arbitrary-scale SR of RSIs. FlowGS models the high-frequency detail representations between high- and low-resolution images and learns a continuous probability flow from noise to detail priors via flow matching (FM) constrained by shortcut consistency, thereby reducing generative complexity and improving inference efficiency. Additionally, we employ 2D Gaussian splatting to construct a continuous feature field, thereby enabling flexible reconstruction at arbitrary query locations. Experimental results show that FlowGS delivers competitive perceptual quality compared with existing methods in both continuous-scale and fixed-scale SR settings, with substantially improved inference efficiency.
- Abstract（参考訳）: 高解像度リモートセンシング画像(RSI)は地球観測に不可欠であるが、その取得はセンサーの制約やコストによって制限されることが多い。
近年、生成超解像(SR)法、特に拡散モデルが大きな進歩を遂げている。
しかし、通常は40-1000ステップの反復推論が遅く、連続スケールのSR設定では柔軟性が制限されている。
これらの課題に対処するために、任意スケールのRSISRのための生成的再構成フレームワークであるFlowGSを提案する。
FlowGSは、高分解能画像と低分解能画像の間での高周波詳細表現をモデル化し、ショートカット一貫性に制約されたフローマッチング(FM)を通してノイズから詳細への連続的な確率フローを学習し、生成複雑性を低減し、推論効率を向上させる。
さらに、2次元ガウススプラッティングを用いて連続的な特徴体を構築することにより、任意のクエリ箇所で柔軟な再構成を可能にする。
実験結果から,FlowGS は連続的, 固定的, 固定的なSR設定の既存手法と比較して, 競合的な知覚品質を実現し, 推論効率を大幅に改善した。
関連論文リスト
- Fast Image Super-Resolution via Consistency Rectified Flow [65.54302099728712]
拡散モデル(DM)は現実世界の超解像(SR)において顕著な成功を収めた。
近年の取り組みでは、少数あるいは単一ステップのソリューションが導入されたが、既存の手法ではノイズの多い入力からプロセスを非効率にモデル化している。
本稿では,低分解能(LR)画像から高分解能(HR)画像への整流としてSR問題を再構成する新しいアプローチであるFlowSRを提案する。
論文 参考訳（メタデータ） (2026-05-12T16:42:38Z) - InfScene-SR: Spatially Continuous Inference for Arbitrary-Size Image Super-Resolution [3.6762434952581713]
InfScene-SRは、空間的に連続した超解像を可能にするフレームワークである。
拡散モデルの反復的精密化過程を、新しいガイド付きおよび分散補正融合機構で適用する。
論文 参考訳（メタデータ） (2026-02-23T11:34:59Z) - Quaternion Wavelet-Conditioned Diffusion Models for Image Super-Resolution [7.986370916847687]
本稿では、第4次ウェーブレット前処理フレームワークと遅延拡散モデルを統合する新しいSRフレームワークResQuを紹介する。
提案手法は,四元系ウェーブレットの埋め込みを利用して,様々な段階で動的に統合される条件付けプロセスを強化する。
提案手法は,多くの場合において,知覚品質および標準評価指標における既存手法よりも優れる,優れたSR結果が得られる。
論文 参考訳（メタデータ） (2025-05-01T06:17:33Z) - Pixel to Gaussian: Ultra-Fast Continuous Super-Resolution with 2D Gaussian Modeling [50.34513854725803]
Arbitrary-scale Super- resolution (ASSR) は、低解像度(LR)入力から任意のアップサンプリング係数で高解像度(HR)イメージを再構成することを目的としている。
本稿では,Gaussian Splattingを用いたLR画像から2次元連続HR信号を明示的に再構成する,Pixel-to-Gaussianパラダイムを用いた新しいContinuousSRフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-09T13:43:57Z) - Latent Diffusion, Implicit Amplification: Efficient Continuous-Scale Super-Resolution for Remote Sensing Images [7.920423405957888]
E$2$DiffSRは、最先端のSR手法と比較して、客観的な指標と視覚的品質を達成する。
拡散に基づくSR法の推論時間を非拡散法と同程度のレベルに短縮する。
論文 参考訳（メタデータ） (2024-10-30T09:14:13Z) - 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) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z) - Fourier Space Losses for Efficient Perceptual Image Super-Resolution [131.50099891772598]
提案した損失関数の適用のみで,最近導入された効率的なジェネレータアーキテクチャの性能向上が可能であることを示す。
フーリエ空間における周波数に対する損失の直接的強調は知覚的画質を著しく向上させることを示す。
訓練されたジェネレータは、最先端の知覚的SR法である RankSRGAN と SRFlow よりも2.4倍、48倍高速である。
論文 参考訳（メタデータ） (2021-06-01T20:34:52Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z)
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。