論文の概要: Interpretation-Oriented Cloud Removal via Observation-Anchored Residual Flow with Geo-Contextual Alignment

• arxiv url: http://arxiv.org/abs/2607.02471v1
• Date: Thu, 02 Jul 2026 17:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.945944
• Title: Interpretation-Oriented Cloud Removal via Observation-Anchored Residual Flow with Geo-Contextual Alignment
• Title（参考訳）: ジオテクスチュアアアライメントを用いた観測的残差流による解釈指向雲除去
• Authors: Ziyao Wang, Maonan Wang, Yucheng He, Xianping Ma, Ziyi Wang, Hongyang Zhang, Yirong Cheng, Man-on Pun,
• Abstract要約: Geo-Anchored Cloud removal (GACR)は、忠実な再構築と堅牢な解釈性を保証する統一されたフレームワークである。 GACRにはOAR-Flow(Observatory-Anchored Residual Flow)が組み込まれている。 6つのCRデータセットと12のダウンストリームタスクにわたる実験により、GACRはより優れた再構成品質を生み出すことが示された。
• 参考スコア（独自算出の注目度）: 16.608400917780248
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cloud removal (CR) is essential for optical remote sensing, serving as a prerequisite for reliable downstream interpretation, such as semantic segmentation and change detection. However, existing CR approaches often prioritize visual realism while overlooking their impact on subsequent analytical tasks, leading to semantic drift and degraded downstream performance. To address this issue, we propose Geo-Anchored Cloud Removal (GACR), a unified framework that jointly ensures faithful reconstruction and robust interpretability. At its core, GACR incorporates Observation-Anchored Residual Flow (OAR-Flow), which reformulates CR as a physically grounded residual inversion process. By anchoring the generative trajectory to the cloudy observation rather than pure noise, OAR-Flow enables fast, stable, and faithful reconstruction. To further preserve semantic structures critical for downstream interpretation, GACR integrates Geo-Contextual Prior Alignment (GCPA) to constrain the reconstruction within a semantic manifold induced by a Vision Foundation Model (VFM). Consequently, GACR strictly maintains the spatial-semantic integrity of complex landscapes. Extensive experiments across six CR datasets and twelve downstream tasks demonstrate that GACR produces superior reconstruction quality while consistently improving downstream task accuracy. The code is available at https://github.com/wzy6055/GACR.
• Abstract（参考訳）: クラウド除去(CR)は光リモートセンシングに必須であり、セマンティックセグメンテーションや変化検出といった、信頼できる下流解釈の前提条件として機能する。 しかし、既存のCRアプローチはしばしば視覚的リアリズムを優先し、その後の分析課題への影響を見落とし、セマンティックドリフトとダウンストリームのパフォーマンスが低下する。 この問題に対処するため,我々は,忠実な再構築と堅牢な解釈性を保証する統合フレームワークであるGeo-Anchored Cloud removal (GACR)を提案する。 GACRの中核となるのは、観測-アンコールド残留流(OAR-Flow)であり、これはCRを物理的に接地された残留逆転過程として再構成する。 生成軌道を純粋なノイズではなく曇り観測に固定することにより、OAR-Flowは高速で安定で忠実な再構築を可能にする。 下流解釈に不可欠なセマンティック構造をさらに保存するために、GACRはGeo-Contextual Prior Alignment (GCPA)を統合し、Vision Foundation Model (VFM)によって誘導されるセマンティック多様体内の再構成を制約する。 したがって、GACRは複雑な景観の空間的意味的整合性を厳格に維持している。 6つのCRデータセットと12のダウンストリームタスクにわたる大規模な実験により、GACRは、下流タスクの精度を一貫して改善しつつ、より優れた再構築品質を生み出すことが示された。 コードはhttps://github.com/wzy6055/GACRで公開されている。

関連論文リスト

• Learned Memory Attenuation in Sage-Husa Kalman Filters for Robust UAV State Estimation [0.0]
  動的環境における無人航空機はテレメトリーの停止、構造振動、状態依存ノイズに直面している。 我々は、スカラーパラメータをベクトル値のメモリ減衰ポリシーに置き換えるN-Deep Recurrent Sage-Husa Filter (NDR-SHKF)を導入する。 分岐アーキテクチャは、浅い再帰状態をルートし、瞬間的なセンサ異常と深い状態を捕捉し、持続的な動的傾向を符号化する。
  論文  参考訳（メタデータ） (2026-05-18T17:38:13Z)
• 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)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
  自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。 本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
  論文  参考訳（メタデータ） (2026-03-16T02:55:14Z)
• 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)
• TopoReformer: Mitigating Adversarial Attacks Using Topological Purification in OCR Models [2.8272661103123258]
  テキストの逆摂動画像は、OCRシステムが人間の目に見えない変化から誤った書き起こしや誤った書き起こしを発生させる可能性がある。 既存の防御、例えば、敵の訓練、入力前処理、あるいは認識後の補正は、しばしばモデル固有であり、計算的に高価であり、摂動しない入力のパフォーマンスに影響する。 TopoReformerは、テキストイメージの構造的整合性を保ちながら、敵対的摂動を緩和するモデルに依存しない改革パイプラインである。
  論文  参考訳（メタデータ） (2025-11-19T19:01:51Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)

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。