論文の概要: High-Resolution Flood Mapping With Sentinel-1 and Sentinel-2 via Misalignment-Robust Cross-Sensor Learning and Generative Despeckling
- arxiv url: http://arxiv.org/abs/2606.30511v1
- Date: Mon, 29 Jun 2026 16:19:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.327448
- Title: High-Resolution Flood Mapping With Sentinel-1 and Sentinel-2 via Misalignment-Robust Cross-Sensor Learning and Generative Despeckling
- Title（参考訳）: ミスサライメント・ロバスト型クロスセンサ学習と生成脱種によるSentinel-1およびSentinel-2を用いた高分解能フラッドマッピング
- Abstract要約: この研究は、キュレートされた学習戦略と新しい学習戦略を通じて制約に共同で対処する統合的な洪水マッピングフレームワークを提案する。
筆者らは,アメリカ大陸を包含する新しいSentinel-2 (S2) とSentinel-1 (S1) データセットを導入し,既存のベンチマークで不足している,挑戦的な気象条件と都市環境に焦点を当てた画素精度10mの水面を特徴とした。
UNetとUNet++アーキテクチャを用いた実験では、シフト不変損失とCVAEに基づく非特異化を用いた場合、強いマルチスペクトル性能(AUPRC 0.956)とSARフラッドマッピングの統計的に有意な改善が示されている。
- 参考スコア（独自算出の注目度）: 1.458346800173785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable high-resolution flood extent mapping from satellite imagery remains constrained by limited data fidelity and sensor-specific artifacts. Multispectral optical imagery is degraded by clouds, shadows, and urban confounders, while synthetic aperture radar (SAR) imagery is affected by speckle noise and sensor co-registration uncertainty. This work presents an integrated flood mapping framework that jointly addresses these limitations through curated datasets and novel learning strategies. We introduce a new Sentinel-2 (S2) and Sentinel-1 (S1) dataset covering the contiguous United States, featuring pixel-accurate 10 m water masks with emphasis on challenging weather conditions and urban environments that are underrepresented in existing benchmarks. High-quality S2 annotations are manually produced using rigorous geospatial labeling protocols and transferred to SAR imagery through weakly labeled temporally coincident acquisitions. To address SAR-specific artifacts, a shift-invariant loss function is employed to tolerate residual geolocation uncertainty between SAR imagery and optical-derived labels, and a Conditional Variational Autoencoder (CVAE) is trained on multitemporal SAR composites to suppress speckle while preserving flood-relevant spatial structure. Experiments using UNet and UNet++ architectures demonstrate strong multispectral performance (AUPRC up to 0.956) and statistically significant improvements in SAR flood mapping when using shift-invariant loss and CVAE-based despeckling compared to classical filters. These results underscore the importance of dataset fidelity, misalignment-robust training, and demonstrate the viability of generative despeckling for operational flood mapping.
- Abstract（参考訳）: 衛星画像からの信頼性の高い高解像度の洪水範囲マッピングは、限られたデータ忠実度とセンサー固有のアーティファクトによって制限されている。
マルチスペクトル光学画像は雲、影、都市共同創設者によって劣化し、合成開口レーダ(SAR)画像はスペックルノイズとセンサ共登録の不確実性によって影響を受ける。
この研究は、キュレートされたデータセットと新しい学習戦略を通じて、これらの制限に共同で対処する統合的なフラッドマッピングフレームワークを提供する。
筆者らは,アメリカ大陸を包含する新しいSentinel-2 (S2) とSentinel-1 (S1) データセットを導入し,既存のベンチマークで不足している,挑戦的な気象条件と都市環境に焦点を当てた画素精度10mの水面を特徴とした。
高品質なS2アノテーションは、厳密な地理空間ラベリングプロトコルを使用して手動で作成され、弱いラベル付き時間同時取得によってSAR画像に転送される。
SAR固有のアーティファクトに対処するために、SAR画像と光学系ラベル間の残留位置の不確かさを許容するためにシフト不変損失関数を用い、多時期SAR合成体上で条件変分オートエンコーダ(CVAE)を訓練し、洪水関連空間構造を保存しつつスペックルを抑制する。
UNetとUNet++アーキテクチャを用いた実験では、従来のフィルタと比較して、シフト不変損失とCVAEに基づく非特異性を使用する場合、強いマルチスペクトル性能(AUPRC 0.956)とSARフラッドマッピングの統計的に有意な改善が示されている。
これらの結果は, データセットの忠実度, ミスアライメント・ロバストトレーニングの重要性を浮き彫りにした。
関連論文リスト
- Heterogeneous SAR-optical fusion for near-real-time land use and land cover mapping under cloud contamination: A novel framework and global benchmark dataset [8.89851770832353]
CloudLULC-Netは、エンドツーエンドのヘテロジニアスなSAR-光融合フレームワークである。
雲に汚染されたSentinel-2画像と時間的に隣接したSentinel-1 SAR観測からLULCマップを直接予測する。
CloudLULC-NetのOAは86.60%、F1スコアは83.29%、mIoUは73.51%である。
論文 参考訳（メタデータ） (2026-06-16T09:25:10Z) - Explainable Flood Segmentation on Sentinel-1 SAR Imagery: A Comparative Study of CNN and Transformer Architectures [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)とマルチクラス洪水セグメンテーションのための視覚トランスフォーマーアーキテクチャを包括的に比較する。
3つの最先端(SOTA)CNNベースのモデル、U-Net、U-Net++、DeepLabV3、ResNet-34のバックボーン、および3つのSegFormer変種(b0,b1,b2)を評価した。
結果は、SegFormer-b2がETCIデータセットのU-Netベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2026-06-15T07:06:30Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - 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) - FLoRA: Fusion-Latent for Optical Reconstruction and Flood Area Segmentation via Cross-Modal Multi-Task Distillation Network [0.3186130813218338]
FLoRAは、高精細な光学画像を共同で再構築し、センチネル1号SARから浸水領域を分割するクロスモーダルフレームワークである。
設計により、(a)微粒なRGB再構成のためのSAR-光変換と(b)水文解釈のための洪水水領域セグメンテーションの2つの相補的な目的にまたがるマルチタスク学習が可能となる。
論文 参考訳（メタデータ） (2026-05-04T01:37:25Z) - Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。
本稿ではフォグフール(FogFool)を提案する。
2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-04-16T05:47:57Z) - Satellite Image Utilization for Dehazing with Swin Transformer-Hybrid U-Net and Watershed loss [0.0]
本稿では,Swin TransformerとU-Netを統合したハイブリッドデハージングフレームワークを提案する。
我々は,L2損失,誘導損失,新しい流域損失を組み合わせた複合的損失関数を導入し,構造的境界保存を向上し,画素レベルの精度を確保する。
実験結果から,提案手法はRICEおよびSateHaze1Kデータセットの最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2025-08-31T13:07:20Z) - 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) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z)
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。