論文の概要: Beyond Edge Maps: Wavelet-Domain Conditioning for Multi-Adapter Map-to-Satellite Diffusion

• arxiv url: http://arxiv.org/abs/2608.00083v1
• Date: Wed, 29 Jul 2026 17:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.400459
• Title: Beyond Edge Maps: Wavelet-Domain Conditioning for Multi-Adapter Map-to-Satellite Diffusion
• Title（参考訳）: エッジマップを超えて:マルチアダプタマップ-サテライト拡散のためのウェーブレット-ドメインコンディショニング
• Abstract要約: 対象画像から独立して取得可能な地図ソースのみに条件付き制御ネットに基づく拡散フレームワークを提案する。 凍結した安定拡散バックボーン上に、マップとウェーブレット表現を個別にトレーニングした2つのControlNetアダプタは、MultiControlNetを介して融合される。 本研究では,データスカース,地形学的に多様性のあるネパールを対象とする,新しいマップ・サテライトデータセットについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commercial mapping partnerships are often unavailable in low-resource regions, leaving satellite basemaps stale and motivating synthesis of satellite imagery from independently maintained cartographic data. Existing ControlNet-based diffusion methods typically condition on structural signals like edges or segmentation extracted from the target image itself, assuming the imagery already exists and limiting their use exactly where synthesis matters most. Map-conditioned alternatives add cues like edge detection but omit frequency-domain structure. We propose a ControlNet-based diffusion framework conditioned only on cartographic sources obtainable independently of the target imagery: OpenStreetMap (OSM) raster maps and their stationary wavelet transform (SWT) subbands, a conditioning signal previously unexplored for map-to-satellite diffusion. Two ControlNet adapters, trained separately on the map and wavelet representations atop a frozen Stable Diffusion backbone, are fused via MultiControlNet, jointly drawing on spatial structure and frequency detail without retraining a multi-input model. We evaluate on a new paired map-satellite dataset curated for Nepal, a data-scarce, topographically diverse region, alongside the Pix2Pix maps-satellite benchmark. Combined conditioning wins six of eight metric-dataset comparisons -- SSIM and PSNR on both datasets, plus LPIPS (both Alex and VGG backbones) on ours and ties map-only on both Pix2Pix LPIPS backbones while still edging past wavelet-only there. Wavelet-only takes the lowest FID on both datasets, matching the tradeoff between per-image fidelity and distributional realism. We treat this gap cautiously given our modest test-set sizes and FID's known small-sample bias.
• Abstract（参考訳）: 商用地図のパートナーシップは低リソース領域では利用できないことが多く、衛星のベースマップは不安定であり、独立に維持された地図データから衛星画像の合成を動機付けている。 既存のコントロールネットベースの拡散法は、画像がすでに存在すると仮定して、ターゲット画像から抽出されたエッジやセグメンテーションのような構造信号に条件を定め、合成が最も重要となる場所での使用を制限する。 マップ条件の代替手段は、エッジ検出のようなキューを追加するが、周波数領域の構造を省略する。 対象画像から独立して取得可能な地図ソースのみに条件付き制御ネットベースの拡散フレームワークを提案する。OpenStreetMap(OSM)ラスタマップとその定常ウェーブレット変換(SWT)サブバンド。 凍結した安定拡散バックボーン上のマップとウェーブレット表現を個別にトレーニングした2つのコントロールネットアダプタは、MultiControlNetを介して融合し、マルチ入力モデルを再トレーニングすることなく、空間構造と周波数の詳細を共同で描画する。 我々は、Pix2Pix Map-Satelliteベンチマークとともに、データスカース、地形的に多様性のあるネパールの新たなペアマップ-サテライトデータセットを評価した。 両方のデータセットでSSIMとPSNR、当社のLPIPS(AlexとVGGのバックボーンの両方)とPix2PixのLPIPSバックボーンでマップのみを関連付けながら、まだウェーブレットのみを編集している。 ウェーブレットのみは、両方のデータセット上で最も低いFIDを取り、画像毎の忠実度と分散リアリズムのトレードオフに一致する。 最小限のテストセットサイズとFIDの既知の小さなサンプルバイアスを考慮し、このギャップを慎重に扱う。

関連論文リスト

• Object Detection as an Optional Basis: A Graph Matching Network for Cross-View UAV Localization [17.908597896653045]
  本稿では,対象物検出によるマップマッチングを行うUAVローカライゼーションフレームワークを提案する。 典型的なパイプラインでは、UAVの視覚的ローカライゼーションは画像検索の問題として定式化されている。 本手法は, グラフベースノード類似度測定法を用いて, 高精度な検索とローカライズ性能を実現する。
  論文  参考訳（メタデータ） (2025-11-04T11:25:31Z)
• Sionna RT: Technical Report [55.30691098976664]
  SionnaはオープンソースのGPUアクセラレーションライブラリで、電波伝搬をシミュレートするレイトレーサを備えている。 本論文は、Sionna RTが電波伝搬を効率的にシミュレートするアルゴリズムについて詳述する。
  論文  参考訳（メタデータ） (2025-04-30T15:05:20Z)
• A Recipe for Improving Remote Sensing VLM Zero Shot Generalization [0.4427533728730559]
  本稿では,リモートセンシング基礎モデルのトレーニングのための2つの新しい画像キャプチャーデータセットを提案する。 最初のデータセットは、Google Mapsから抽出されたランドマークを使用して、Geminiによって生成されたキャプションと航空画像と衛星画像のペアである。 第2のデータセットは、リモートセンシングドメインのためにフィルタリングされたパブリックWebイメージとそれに対応するalt-textを利用する。
  論文  参考訳（メタデータ） (2025-03-10T21:09:02Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Synthesizing Optical and SAR Imagery From Land Cover Maps and Auxiliary Raster Data [14.407683537373325]
  我々はランドカバーマップから光学RGBと合成開口レーダ(SAR)のリモートセンシング画像とGANを用いた補助データの両方を合成する。 リモートセンシングでは、デジタル標高モデル(DEM)や降水マップのような多くの種類のデータが土地被覆地図に反映されないことが多いが、それでも画像の内容や構造に影響を与える。 本手法は, 対応するデータセットを用いて, メディア(10m) と高(1m) の解像度画像の合成に成功している。
  論文  参考訳（メタデータ） (2020-11-23T10:28:10Z)
• Label Decoupling Framework for Salient Object Detection [157.96262922808245]
  近年の手法は, 畳み込みネットワーク(FCN)からの多層的特徴の集約と, エッジ情報の導入に重点を置いている。 ラベルデカップリング手順と機能相互作用ネットワーク(FIN)からなるラベルデカップリングフレームワーク(LDF)を提案する。 6つのベンチマークデータセットの実験では、LDFはさまざまな評価指標における最先端のアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-08-25T14:23:38Z)
• X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for Classification of Remote Sensing Data [69.37597254841052]
  我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。 X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。 我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
  論文  参考訳（メタデータ） (2020-06-24T15:29:41Z)

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。