論文の概要: FlowForm: Synergizing Fluid Physics with Topological Consistency for Satellite Flood Synthesis
- arxiv url: http://arxiv.org/abs/2608.03822v1
- Date: Tue, 04 Aug 2026 15:30:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.267614
- Title: FlowForm: Synergizing Fluid Physics with Topological Consistency for Satellite Flood Synthesis
- Title（参考訳）: FlowForm: 衛星洪水合成のためのトポロジ的一貫性と流体物理の相乗化
- Abstract要約: FlowFormは、衛星の洪水合成のためのフレームワークである。
SWEにインスパイアされた潜在正規化と構造対応条件付けを統合している。
高い視覚的忠実度、ペア画像間の類似度、および浸水領域のより強い一貫性を実現する。
- 参考スコア（独自算出の注目度）: 0.35233912806410284
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Developing robust flood assessment models requires high-quality paired satellite imagery, yet such data remain scarce for flood-specific image generation. Although generative models provide a promising means of data augmentation, existing methods often yield implausible spatial layouts of flooded regions and distort scene structures. We propose FlowForm, a framework for satellite flood synthesis that integrates SWE-inspired latent regularization with structure-aware conditioning. The Flood Descriptor Module (FDM) imposes differentiable penalties on residuals of the steady-state Shallow Water Equation in auxiliary latent fields at the diffusion bottleneck. The Terrain Anchor Adapter (TAA) injects depth, semantic, and edge features at four encoder scales of the U-Net. We further curate FloodScape, a large-scale, high-resolution dataset comprising paired satellite images acquired before and after disasters. In addition to standard image-generation metrics, we evaluate the consistency of flooded regions, zero-shot generalization to a geographically held-out flood event, and sensitivity to individual components. Across all reported comparisons, FlowForm achieves higher visual fidelity, greater similarity between paired images, and stronger consistency of flooded regions.
- Abstract（参考訳）: 堅牢な洪水評価モデルの構築には高品質の衛星画像が必要であるが、洪水固有の画像生成には不足している。
生成モデルはデータ拡張の有望な手段を提供するが、既存の方法では、浸水した地域やゆがんだ風景構造の不明瞭な空間配置が得られることが多い。
本研究では,SWEにインスパイアされた潜在正規化と構造認識条件を組み込んだ衛星洪水合成フレームワークであるFlowFormを提案する。
FDM(Flood Descriptor Module)は、拡散ボトルネックにおける補助潜水場における定常浅水方程式の残余に異なる罰則を課す。
Terrain Anchor Adapter (TAA)は、U-Netの4エンコーダスケールで深さ、意味、エッジの機能を注入する。
FloodScapeは、災害前後に取得した2つの衛星画像からなる大規模で高解像度なデータセットである。
画像生成の標準指標に加えて,浸水領域の整合性,地理的に保持された洪水イベントへのゼロショットの一般化,各コンポーネントに対する感度を評価した。
レポートされたすべての比較で、FlowFormはより高い視覚的忠実度、ペア画像間の類似性、浸水領域の一貫性の強化を実現している。
関連論文リスト
- High-Resolution Flood Mapping With Sentinel-1 and Sentinel-2 via Misalignment-Robust Cross-Sensor Learning and Generative Despeckling [1.458346800173785]
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。
論文 参考訳（メタデータ） (2026-06-29T16:19:59Z) - Topology-Informed Neural Networks for Flood Detection in Optical and Synthetic Aperture Radar Imagery [10.268453073867622]
急速かつ正確な洪水検出は、人的・経済的損失の緊急対応と時間的緩和に不可欠である。
多くの洪水は、雲が光学衛星画像を隠すため、検出が難しいままである。
トポロジカルデクリプタは,独立して有意義な洪水信号を持ち,既存のネットワークを補完し,より堅牢で解釈可能な洪水検知システムを実現する。
論文 参考訳（メタデータ） (2026-06-24T16:52:28Z) - Deep Learning for Remote Sensing to Improve Flood Inundation Mapping [0.09332987715848712]
本稿では,拡散確率モデルに基づく洪水画像のクラウド除去フレームワークを提案する。
現実的な雲のパターンでマルチスペクトルのSentinel-2B洪水シーンで訓練されたこのモデルは、クラウドフリーの画像実現を生成する。
以上の結果から,光フラッシャモニタリングにおいて,拡散に基づく生成モデリングがクラウド除去の頑健かつ物理的に一貫した代替手段となることが示唆された。
論文 参考訳（メタデータ） (2026-06-01T14:28:48Z) - NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。
特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
論文 参考訳（メタデータ） (2026-03-28T10:46:29Z) - A Generative Data Framework with Authentic Supervision for Underwater Image Restoration and Enhancement [51.382274157144714]
我々は、未ペア画像から画像への変換に基づく生成データフレームワークを開発する。
このフレームワークは、正確な地上構造ラベルを持つ合成データセットを構成する。
実験により、我々の合成データに基づいてトレーニングされたモデルが、既存のベンチマークでトレーニングされたモデルに匹敵する、あるいは優れた色復元と一般化性能が得られることが示された。
論文 参考訳（メタデータ） (2025-11-18T14:20:17Z) - Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。
複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。
低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2025-05-21T03:57:10Z) - A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction [4.824120664293887]
SatelliteMakerは、さまざまなレベルのデータ損失で失われたデータを再構成する拡散ベースの方法である。
条件入力としてのDEM(Digital Elevation Model)は、リアルな画像を生成するために調整されたプロンプトを使用する。
分散損失に基づくVGG-Adapterモジュール。
論文 参考訳（メタデータ） (2025-04-16T14:19:57Z) - UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [62.65503609562905]
我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。
劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。
このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
論文 参考訳（メタデータ） (2025-01-22T16:10:42Z) - EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。
これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
論文 参考訳（メタデータ） (2024-04-27T14:10:09Z) - SSMG: Spatial-Semantic Map Guided Diffusion Model for Free-form
Layout-to-Image Generation [68.42476385214785]
本稿では,レイアウトから派生した特徴写像を用いた空間意味マップガイド(SSMG)拡散モデルを提案する。
SSMGは,従来の研究に比べて空間的,意味的な制御性に優れた生成品質を実現する。
また,RSA(Relation-Sensitive Attention)機構とLSA(Location-Sensitive Attention)機構を提案する。
論文 参考訳（メタデータ） (2023-08-20T04:09:12Z) - Dense Attention Fluid Network for Salient Object Detection in Optical
Remote Sensing Images [193.77450545067967]
光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。
GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。
我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
論文 参考訳（メタデータ） (2020-11-26T06:14:10Z)
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。