Fugu-MT 論文翻訳(概要): PriSAR: 3D Geometric-Prior-Guided Diffusion for Parameter-Controlled SAR Image Generation

論文の概要: PriSAR: 3D Geometric-Prior-Guided Diffusion for Parameter-Controlled SAR Image Generation

arxiv url: http://arxiv.org/abs/2607.22963v1
Date: Sat, 25 Jul 2026 00:09:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:14.950833
Title: PriSAR: 3D Geometric-Prior-Guided Diffusion for Parameter-Controlled SAR Image Generation
Title（参考訳）: PriSAR:パラメータ制御SAR画像生成のための3次元幾何学的Prior-Guided Diffusion
Abstract要約: 3次元モデルに基づく測地前駆体は拡散モデルを導出し、スパースアングルのトレーニングデータから欠落したビューを合成する。 GeoDiff-SARは、ライトウェイトなマルチバウンス線トレーシングを構築し、結果の点雲を符号化し、テキストコンディショニングで融合する。 5台のMSTAR車の同じスパースアングルプロトコルは0.878のSSIMと0.917のアジマス一貫性が得られる。
参考スコア（独自算出の注目度）: 8.561613404715237
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Synthetic aperture radar (SAR) image generation can mitigate data scarcity, but controllablegeneration under sparse observation angles remains difficult. Recent SAR generative studies im-prove texture realism, yet explicit geometry-aware control is still limited. This paper studiesthe focused and verifiable setting of intermediate-azimuth completion: 3D-model-derived geo-metric priors guide a diffusion model to synthesize the views missing from sparse-angle trainingdata. GeoDiff-SAR constructs a lightweight multi-bounce ray-tracing prior, encodes the result-ing point cloud, and fuses it with text conditioning while adapting Stable Diffusion 3.5 Mediumthrough low-rank adaptation. On a real four-category aircraft dataset, GeoDiff-SAR reaches anSSIM of 0.812 and azimuth consistency of 0.940, compared with 0.738 and 0.782 for the text-conditioned SD3.5 Medium baseline. The same sparse-angle protocol on five MSTAR vehicleclasses yields an SSIM of 0.878 and azimuth consistency of 0.917. These results support theconclusion that a lightweight 3D geometric prior improves viewpoint adherence for controllableSAR generation; it is intended as generation guidance rather than high-fidelity electromagneticreconstruction.
Abstract（参考訳）: 合成開口レーダ(SAR)画像生成はデータの不足を軽減できるが、スパース観測角度下での制御可能生成は依然として困難である。近年のSAR生成研究はテクスチャリアリズムを実証しているが、幾何認識制御は依然として限られている。本稿では,3次元モデルに基づくジオメトリック事前手法を用いて,スパースアングル学習データから欠落したビューを合成する拡散モデルについて検討する。 GeoDiff-SARは、より軽量なマルチバウンス線トレーシングを構築し、結果の点雲を符号化し、テキストコンディショニングと融合し、安定拡散3.5を低ランク適応で適用する。実際の4つのカテゴリーの航空機データセットでは、GeoDiff-SAR は 0.812 の anSSIM と 0.940 の azimuth consistency に到達し、テキスト条件の SD3.5 Medium ベースラインは 0.738 と 0.782 である。 5つのMSTAR車種における同じスパースアングルプロトコルは、SSIMが0.878、アジマスが0.917である。これらの結果は、軽量な3次元幾何学的先行が、高忠実性電磁再構成ではなく、生成誘導として、制御可能なSAR生成の視点アテンデンスを改善するという結論を支持している。

関連論文リスト

Steer the Sampling, Not the Kernel Grid: Geometry-Guided Sampling Operator for Volumetric Segmentation [9.411407984734854]
畳み込みカーネルを変形させるのではなく,特徴をどこにサンプリングするかを制御できる幾何誘導型局所演算子を提案する。各ボクセルでは、これらの方向に沿って対称にサンプルする、局所的な向きと有界なステップサイズを予測する。ストライド1とストライド2を3D U-Netで置き換えると、BraTS、MSD肝血管、TDSC-ABUSが一貫した改善がなされる。
論文参考訳（メタデータ） (2026-08-26T14:01:36Z)
GAP-GDRNet: Geometry-aware monocular 6D pose estimation for spacecraft using synthetic geometric supervision [7.240627719297504]
GAP-GDRNetはGDR-Net上に構築された単一ターゲットの合成宇宙船ベンチマーク用のフレームワークである。 Blenderベースのレンダリングアノテーションプロセスから、デンス管理を得る。自作の宇宙船データセットでは、GAP-GDRNetの回転誤差は1.96circ$で、翻訳誤差は0.0165m、ADD@0.02mが95.16%である。
論文参考訳（メタデータ） (2026-07-02T16:02:24Z)
Sculpting NeRF Geometry: Human-Preference Fine-Tuning of a 3D-Aware Face GAN [54.41783983744393]
学習報酬から直接、事前学習した3D認識生成モデルを微調整する。このモデルは事前訓練を必要とせず、小さな好みのサンプルで容易に訓練し、3次元幾何学において堅牢な改善をもたらす。密度一貫性制約は、2次元の外観を定性的に類似させ、幾何が再形成され、測定可能だが有界な分布コストで保持する。
論文参考訳（メタデータ） (2026-06-25T17:26:06Z)
GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
論文参考訳（メタデータ） (2026-05-19T12:08:09Z)
OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
論文参考訳（メタデータ） (2026-05-13T17:42:20Z)
ZeD-MAP: Bundle Adjustment Guided Zero-Shot Depth Maps for Real-Time Aerial Imaging [1.9247157750972368]
ZeD-MAPは、テスト時間拡散深さモデルをメトリック一貫性のあるSLAMのようなマッピングパイプラインに変換する、クラスタレベルのフレームワークである。本手法は,水平(XY)平面で約0.87m,垂直(Z)方向で約0.12mの誤差で,サブメーター精度を実現する。結果は手動のポイントクラウドアノテーションから小さなノイズを受けます。
論文参考訳（メタデータ） (2026-04-06T13:21:17Z)
Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement [0.0]
視覚言語モデルは、それらのテキスト経路が表現できないような幾何学を符号化する。ロラ微調整(r=16, 2,000枚)は、このギャップを6.5度に縮める。これらの知見は、単一の凍結したバックボーンがマルチタスク幾何学的センサーとして機能することを可能にした。
論文参考訳（メタデータ） (2026-03-06T16:48:27Z)
ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文参考訳（メタデータ） (2026-02-10T20:44:43Z)
Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文参考訳（メタデータ） (2026-02-03T23:38:05Z)
GeoDiff-SAR: A Geometric Prior Guided Diffusion Model for SAR Image Generation [8.561613404715237]
既存の生成法は主に画像領域内で動作し、明示的な幾何学的情報を無視する。高忠実度SAR画像生成のための幾何学的先導拡散モデルGeoDiff-SARを提案する。その結果,GeoDiff-SARが生成したデータは高い忠実度を示し,下流分類タスクの精度を効果的に向上させることがわかった。
論文参考訳（メタデータ） (2026-01-07T01:27:20Z)
Robust Mesh Saliency GT Acquisition in VR via View Cone Sampling and Geometric Smoothing [59.12032628787018]
バーチャルリアリティー(VR)における人中心視覚モデリングには3次元メッシュサリエンシ基底真理が不可欠である現在のVRアイトラッキングパイプラインは、単一線サンプリングとユークリッドのスムース化に依存しており、テクスチャの注意を喚起し、ギャップをまたいだ信号の漏洩を引き起こす。本稿では,これらの制約に対処する頑健な枠組みを提案する。
論文参考訳（メタデータ） (2026-01-06T05:20:12Z)

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。