論文の概要: A Deep Learning Iterative Framework for Sentinel-1 Stripmap Enhancement Based on Azimuth Doppler Decomposition
- arxiv url: http://arxiv.org/abs/2605.29088v1
- Date: Wed, 27 May 2026 20:41:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 05:02:24.546619
- Title: A Deep Learning Iterative Framework for Sentinel-1 Stripmap Enhancement Based on Azimuth Doppler Decomposition
- Title（参考訳）: 方位ドップラー分解に基づくSentinel-1ストリップマップ強化のためのディープラーニング反復フレームワーク
- Authors: Juan Francisco Amieva, Christian Ayala, Roberto Del Prete, Mikel Galar,
- Abstract要約: 本稿では,アジマスサブアパーチャ分解に基づくS1 SM画像の自己教師付き拡張フレームワークを提案する。
提案フレームワークは,単フレームおよび多フレーム学習を統合し,画像品質を段階的に改善する反復推論スキームを組み込んだ。
- 参考スコア（独自算出の注目度）: 3.061219970798378
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Synthetic Aperture Radar (SAR) imagery enables all-weather, day-and-night Earth observation; however, it remains difficult to interpret due to speckle noise and other intrinsic imaging artifacts. Sentinel-1 (S1) constitutes one of the most widely used spaceborne SAR missions, offering systematic global coverage, high temporal resolution, dual-polarization imaging, and free data availability. Among S1 modes, Stripmap (SM) provides the highest resolution, yet speckle noise and spatial constraints often hinder applications requiring finer spatial detail. This motivates the need for effective image enhancement strategies. In this work, we propose a self-supervised enhancement framework for S1 SM imagery based on azimuth subaperture decomposition. The method exploits the physical consistency between subaperture reconstructions and the corresponding full-aperture image to generate paired training data without external sensors, simulated ground truth, or multi-temporal stacks. The proposed framework integrates single- and multi-frame learning and incorporates an iterative inference scheme that progressively refines image quality. Experiments on real S1 SM data show that the proposed approach consistently outperforms the widely adopted self-supervised deep learning baseline MERLIN, in terms of PSNR and SSIM, while MERLIN attains higher ENL, highlighting a trade-off between structural fidelity and speckle smoothing. Overall, the results demonstrate that subaperture-based supervision provides a physically grounded, reproducible, and operationally viable approach for SAR image enhancement using S1 data. It is worth noting that the proposed approach can be extended to other SAR platforms, polarizations, and acquisition modes.
- Abstract（参考訳）: SAR(Synthetic Aperture Radar)画像は、全天候、昼夜の地球観測を可能にするが、スペックルノイズやその他の本質的な画像アーティファクトによる解釈は困難である。
センチネル-1 (S1) は、地球規模の体系的なカバー、高時間分解能、双極化イメージング、自由なデータ可用性を提供する、最も広く使用されるSARミッションの1つである。
S1モードの中で、Stripmap(SM)は最高の解像度を提供するが、スペックルノイズと空間的制約は、しばしばより細かな空間的詳細を必要とするアプリケーションを妨げる。
これは効果的な画像強調戦略の必要性を動機付けている。
本研究では,アジマスサブアパーチャ分解に基づくS1 SM画像の自己教師付き拡張フレームワークを提案する。
この方法は、サブアパーチャ再構成とそれに対応するフルアパーチャ画像との物理的整合性を利用して、外部センサやシミュレーションされた地上真実、マルチテンポラリスタックを使わずにペア化されたトレーニングデータを生成する。
提案フレームワークは,単フレームおよび多フレーム学習を統合し,画像品質を段階的に改善する反復推論スキームを組み込んだ。
実S1 SMデータを用いた実験により,提案手法はPSNRとSSIMの観点から広く採用されている自己教師型ディープラーニングベースラインであるMERLINよりも優れており,MERLINはより高いENLを達成し,構造的忠実度とスペックル平滑化のトレードオフを浮き彫りにしている。
以上の結果から,S1データを用いたSAR画像強調のための物理的基盤,再現性,運用可能なアプローチが,サブアパーチャベースで提供されることが示された。
提案手法は他のSARプラットフォームや分極、取得モードにも拡張可能である点に注意が必要だ。
関連論文リスト
- Multi-Modal Landslide Detection from Sentinel-1 SAR and Sentinel-2 Optical Imagery Using Multi-Encoder Vision Transformers and Ensemble Learning [0.0]
地すべりは、人間の生活、インフラ、生態系に深刻な影響を与えている主要なジオハザードである。
本研究では、Sentinel-1 Synthetic Aperture Radar(SAR)データとSentinel-2光画像を融合したモジュラー・マルチモデルフレームワークを提案する。
提案手法は地すべり検出における最先端F1スコア0.919を達成する。
論文 参考訳（メタデータ） (2026-04-07T14:51:05Z) - Persistent feature reconstruction of resident space objects (RSOs) within inverse synthetic aperture radar (ISAR) images [0.0]
本研究は、逐次的特徴検出と追跡による外部構造認識に焦点を当てている。
ISAR画像は、様々な展開シナリオの遭遇をモデル化できるメタヒューリスティックシミュレータによって生成される。
提案手法によるシーケンス内の特徴追跡の利用により,特徴検出と分類の信頼性が向上することが示唆された。
論文 参考訳（メタデータ） (2025-12-17T17:24:50Z) - HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
イベントカメラは例外的な時間分解能と範囲(モード)を提供する
RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
論文 参考訳（メタデータ） (2025-10-22T13:15:13Z) - 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) - FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。
自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。
PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。
FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
論文 参考訳（メタデータ） (2025-03-25T15:04:53Z) - 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) - PolMERLIN: Self-Supervised Polarimetric Complex SAR Image Despeckling
with Masked Networks [2.580765958706854]
脱スペックリングは合成開口レーダ(SAR)画像の品質向上に重要なノイズ低減タスクである。
既存の方法は単一偏光画像のみを扱うため、現代の衛星が捉えた多重偏光画像は扱えない。
本稿では,分極関係を利用したチャネルマスキング手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T07:06:36Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z)
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。