論文の概要: ATT-CR: Adaptive Triangular Transformer for Cloud Removal

• arxiv url: http://arxiv.org/abs/2606.05999v1
• Date: Thu, 04 Jun 2026 10:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.73163
• Title: ATT-CR: Adaptive Triangular Transformer for Cloud Removal
• Title（参考訳）: ATT-CR:クラウド除去のための適応三角変換器
• Authors: Yang Wu, Ye Deng, Pengna Li, Wenli Huang, Kangyi Wu, Xiaomeng Xin, Jinjun Wang,
• Abstract要約: クラウド除去は、リモートセンシング画像において雲によって隠された地上オブジェクトを正確に再構築することを目的としている。 既存のTransformerベースの手法は、クラウド画像の長距離依存性を効果的にモデル化することで、印象的な結果を示している。 本稿では,クラウド除去のための適応三角変換器 (ATT-CR) を提案する。
• 参考スコア（独自算出の注目度）: 17.828250974983515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud removal aims to accurately reconstruct the ground objects obscured by clouds in remote sensing images. Existing Transformer-based methods utilizing self-attention have shown impressive results by effectively modeling long-range dependencies in cloudy images. However, they suffer from the following issues: 1) the high computational complexity of self-attention limits scalability; 2) treating both cloudy and clean pixels as valid within the attention computation brings disturbances in subsequent layers, leading to suboptimal performance. To address these challenges, we propose the Adaptive Triangular Transformer for Cloud Removal (ATT-CR), a model that effectively reduces computational costs and mitigates interference from cloudy pixels. Specifically, it consists of two core components: Triangular Attention (TAN) and Feature Selected Gating Module (FSGM). TAN employs lower and upper triangular matrices to approximate Softmax attention with O(N) computational complexity, significantly reducing the computational costs. The FSGM, on the other hand, integrates with TAN to adaptively distinguish between cloudy and clean features, which minimizes the introduction of invalid information into subsequent layers. Extensive experiments on cloud removal benchmarks demonstrate that ATT-CR delivers superior performance compared to existing methods.
• Abstract（参考訳）: クラウド除去は、リモートセンシング画像において雲によって隠された地上オブジェクトを正確に再構築することを目的としている。 既存のTransformerベースの自己アテンションを用いた手法は、曇り画像の長距離依存性を効果的にモデル化することで、印象的な結果を示している。 しかし、それらは以下の問題に悩まされる。 1) 自己注意制限のスケーラビリティの計算複雑性 2) 注意計算において, 暗黒画素とクリーン画素の両方を有効扱いすると, 後続の層に乱れが生じ, 最適性能が低下する。 これらの課題に対処するため,クラウド除去のための適応三角変換器 (ATT-CR) を提案する。 具体的には、Triangular Attention(TAN)とFeature Selected Gating Module(FSGM)の2つのコアコンポーネントで構成されている。 TANは、O(N)計算の複雑さにソフトマックスの注意を近似するために、上下三角形の行列を用いており、計算コストを大幅に削減している。 一方、FSGMはTANと統合して、雲とクリーンな特徴を適応的に区別する。 クラウド削除ベンチマークに関する大規模な実験は、ATT-CRが既存の方法よりも優れたパフォーマンスを提供することを示した。

関連論文リスト

• When Cloud Removal Meets Diffusion Model in Remote Sensing [4.824120664293887]
  リモートセンシング画像における雲除去のための新しいフレームワークであるDC4CR(Diffusion Control for Cloud removal)を提案する。 提案手法では, 予め生成した雲面に頼らずに, 薄い雲と厚い雲を選択的に除去できるプロンプト駆動制御を導入する。 RICEとCUHK-CRデータセットの実験では、最先端のパフォーマンスを示し、さまざまな条件で優れたクラウド除去を実現している。
  論文  参考訳（メタデータ） (2025-04-21T00:56:57Z)
• Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
  3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。 ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。 そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T16:12:51Z)
• Tackling fluffy clouds: robust field boundary delineation across global agricultural landscapes with Sentinel-1 and Sentinel-2 Time Series [1.0251998687197121]
  PTAViT3Dは3次元時系列衛星画像の処理に特化して設計されたディープラーニングアーキテクチャである。 また,PTAViT3Dモデルの拡張であるPTAViT3D-CAを提案する。 この結果から, 優れたグローバルトランスファービリティとロバスト性を示した。
  論文  参考訳（メタデータ） (2024-09-20T15:10:04Z)
• Look-Around Before You Leap: High-Frequency Injected Transformer for Image Restoration [46.96362010335177]
  本稿では,画像復元のための簡易かつ効果的な高周波インジェクト変換器HITを提案する。 具体的には,機能マップに高頻度の詳細を組み込んだウィンドウワイドインジェクションモジュール(WIM)を設計し,高品質な画像の復元のための信頼性の高い参照を提供する。 さらに,BIMにおけるチャネル次元の計算によって失われる可能性のある空間的関係を維持するために,空間拡張ユニット(SEU)を導入する。
  論文  参考訳（メタデータ） (2024-03-30T08:05:00Z)
• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• SG-GAN: Fine Stereoscopic-Aware Generation for 3D Brain Point Cloud Up-sampling from a Single Image [15.698577360754877]
  高密度脳点雲を生成するために,SG-GANと呼ばれる新しいモデルを提案する。 このモデルは、視覚的品質、客観的測定、および分類における性能の点で優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-22T02:42:12Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。