論文の概要: IB-HFN: Information Bottleneck-Driven SAR-Optical Fusion Network for High-Fidelity Cloud Removal

• arxiv url: http://arxiv.org/abs/2606.09347v2
• Date: Wed, 10 Jun 2026 00:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.36521
• Title: IB-HFN: Information Bottleneck-Driven SAR-Optical Fusion Network for High-Fidelity Cloud Removal
• Title（参考訳）: IB-HFN:高密度クラウド除去のための情報ブートネック駆動SAR-Optical Fusion Network
• Authors: Haojun Guo, Fan Feng, Ziquan Wang, Yongsheng Zhang, Ying Yu,
• Abstract要約: 本稿では,SAR支援光雲除去のためのInformation Bottleneck-driven High-Fidelity Network (IB-HFN)を提案する。 IB-HFNは、深いセマンティック融合の前にモダリティ固有の表現を保持するためにデュアルストリームバックボーンを使用している。 SEN12MS-CRデータセットの時分割実験により、IB-HFNは既存の手法よりも優れた構造保存とスペクトル忠実性が得られることが示された。
• 参考スコア（独自算出の注目度）: 18.935012033334477
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Synthetic aperture radar (SAR)-assisted optical cloud removal aims to recover surface information obscured by clouds in optical remote sensing images by exploiting complementary SAR observations. Existing multimodal fusion methods typically rely on direct spatial concatenation and pixel-wise supervision, which can propagate SAR speckle noise into optical reconstruction and lead to over-smoothed results. To address these limitations, we propose an Information Bottleneck-driven High-Fidelity Network (IB-HFN) for SAR-assisted optical cloud removal. IB-HFN employs a dual-stream backbone to preserve modality-specific representations before deep semantic fusion, thereby mitigating premature cross-modal contamination. At the fusion stage, we introduce a Spatial Information Bottleneck Fusion module that compresses SAR features through a channel-wise variational information bottleneck to suppress unstructured speckle noise. In parallel, a local-global gating mechanism predicts clear-sky regions and routes reliable optical details through a Dirac-initialized skip connection, decoupling noise suppression from texture preservation. We further develop a joint optimization strategy that integrates feature-level bottleneck regularization with image-level constraints on reconstruction accuracy, structural consistency, spectral fidelity, and contrastive sharpness. A dynamic weighting schedule balances these objectives to stabilize training and reduce hazy artifacts. Experiments on the SEN12MS-CR dataset under challenging spatio-temporal splits demonstrate that IB-HFN achieves superior structural preservation and spectral fidelity over existing methods.
• Abstract（参考訳）: 合成開口レーダ(SAR)を用いた光雲除去は、補完的なSAR観測を利用して、光リモートセンシング画像中の雲によって隠された表面情報を復元することを目的としている。 既存のマルチモーダル融合法は、SARスペックルノイズを光学的再構成に伝播させ、過度に滑らかな結果をもたらすことができる、直接空間結合と画素単位の監督に依存している。 これらの制約に対処するため、SAR支援光雲除去のための情報ボトルネック駆動高忠実ネットワーク(IB-HFN)を提案する。 IB-HFNは、深いセマンティック融合の前にモダリティ特異的な表現を維持するためにデュアルストリームのバックボーンを用いており、これにより未熟なクロスモーダル汚染を緩和する。 融合段階では、SAR特徴をチャネルワイドな変動情報ボトルネックを通じて圧縮し、非構造スペックルノイズを抑制する空間情報ボトルネック融合モジュールを導入する。 並行して、ローカル・グロバル・ゲーティング機構はクリアスキー領域を予測し、ディラック初期化スキップ接続を介して信頼性の高い光学的詳細をルーティングし、テクスチャ保存からノイズ抑制を分離する。 さらに、特徴レベルのボトルネック正規化と、再構成精度、構造整合性、スペクトルの忠実度、コントラストのシャープネスに関する画像レベルの制約を統合する共同最適化戦略を開発した。 動的重み付けスケジュールは、トレーニングを安定させ、有害なアーティファクトを減らすためにこれらの目標をバランスさせる。 SEN12MS-CRデータセットの時空間分割実験により、IB-HFNは既存の手法よりも優れた構造保存とスペクトル忠実性が得られることが示された。

関連論文リスト

• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• Edge-Cloud Collaborative Reconstruction via Structure-Aware Latent Diffusion for Downstream Remote Sensing Perception [6.402472465609055]
  高解像度リモートセンシングデータは、衛星間通信において深刻なボトルネックに直面している。 本研究では,非対称なエッジクラウド協調SRシステムであるStructure-Aware Latent Diffusion (SALD) フレームワークを提案する。 極端帯域制限下では、SALDは知覚品質(LPIPS)が優れ、シーン分類と小ターゲット検出の両方において、下流性能を大幅に向上する。
  論文  参考訳（メタデータ） (2026-04-28T07:28:39Z)
• ZID-Net: Zero-Inference Diffusion Prior Decoupling Network for Single Image Dehazing [10.634107398163676]
  単一画像のデハージングは、回復品質と計算効率のトレードオフによって制約されることが多い。 ZID-Netは、フィードフォワード推論から拡散監視を明示的に分離する新しいフレームワークである。 ZID-Netは、合成RESIDEデータセット上で40.75dBのPSNRを達成し、実世界のデータセットで1.13dBのゲインで既存のメソッドを上回ります。
  論文  参考訳（メタデータ） (2026-04-26T13:44:25Z)
• 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)
• Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement [89.99237142387655]
  LH-VAEを導入し、視覚的意味的制約や進行的劣化による意味的堅牢性を高める。 Latent Harmonyは、UHD修復のためのVAEを再定義する2段階のフレームワークである。 実験により、Latent HarmonyはUHDおよび標準解像度タスクにまたがって最先端のパフォーマンスを実現し、効率、知覚品質、再現精度を効果的にバランスさせることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T08:54:26Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• Cloud-Aware SAR Fusion for Enhanced Optical Sensing in Space Missions [0.0]
  雲の汚染は、光学衛星画像の使用性を著しく損なう。 本研究では,SAR-光機能融合と深層学習に基づく画像再構成を統合するクラウド・アテンティブ・リコンストラクション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-22T03:27:41Z)
• 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)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。