Fugu-MT 論文翻訳(概要): To Remove or Not to Remove Clouds: A Comparative Analysis and Fusion of Raw SAR and Synthetic NDWI for Overcast Water Segmentation

論文の概要: To Remove or Not to Remove Clouds: A Comparative Analysis and Fusion of Raw SAR and Synthetic NDWI for Overcast Water Segmentation

arxiv url: http://arxiv.org/abs/2608.17398v1
Date: Tue, 18 Aug 2026 05:50:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-19 21:40:53.227204
Title: To Remove or Not to Remove Clouds: A Comparative Analysis and Fusion of Raw SAR and Synthetic NDWI for Overcast Water Segmentation
Title（参考訳）: 雲の除去・除去にむけて-生SARと合成NDWIの比較分析と融合-
Abstract要約: 永久雲は洪水時に光学衛星を失明する。 Synthetic Aperture Radar(SAR)はクラウドだが、生データはノイズが多く、コントラストがはっきりしていない。近年の研究では、深層学習モデルを用いて、SARをクラウドフリーな合成光学画像に変換する。
参考スコア（独自算出の注目度）: 0.431493144418712
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Persistent clouds blind optical satellites during floods. While Synthetic Aperture Radar (SAR) penetrates clouds, its raw data is noisy and lacks clear contrast. To mitigate this, recent studies utilize deep learning models to translate SAR into cloud-free synthetic optical imagery for downstream tasks like water body segmentation. However, because raw SAR is the original source for both of these operations, a critical methodological dilemma arises: during complete overcast should segmentation models process the raw SAR directly, or rely on a translated synthetic Normalized Difference Water Index (NDWI) proxy? This study resolves the debate by demonstrating that synthetic NDWI yields better results, as the translation process acts as a powerful filter against radar noise. This raises a natural second question: what if we utilize both? Building on our findings, we introduce a Combined Framework that integrates both raw SAR and synthetic NDWI into a unified model. By fusing the sharp physical boundaries of raw SAR with the high contrast of synthetic NDWI, this hybrid approach consistently outperforms all standalone methods.
Abstract（参考訳）: 永久雲は洪水時に光学衛星を失明する。 Synthetic Aperture Radar(SAR)はクラウドに侵入するが、生データはノイズが多く、コントラストが明らかにない。これを軽減するために、近年の研究では、深層学習モデルを用いて、SARをクラウドのない合成光学画像に変換して、水域のセグメンテーションのような下流のタスクに役立てている。完全なオーバーキャスト中は、生SARを直接処理するか、あるいは翻訳された正規化差分水指数(NDWI)プロキシに依存するべきか? 本研究は、合成NDWIが、レーダーノイズに対する強力なフィルタとして機能するため、より良い結果をもたらすことを示すことによって、議論を解決している。これによって、自然な第2の疑問が持ち上がります。そこで本研究では,生SARと合成NDWIの両方を統合モデルに統合する複合フレームワークを提案する。生SARのシャープな物理的境界と合成NDWIの高コントラストを融合させることにより、このハイブリッドアプローチはすべてのスタンドアロン手法より一貫して優れている。

関連論文リスト

Iris: Bringing Real-World Priors into Diffusion Model for Monocular Depth Estimation [79.21856613345118]
textbfIrisはモノクロ深さ推定のための決定論的フレームワークである。アイリスは、合成シーンから現実シーンへと強く一般化する。 Irisは、強力なインザワイルド一般化によるMDEの大幅な改善を実現している。
論文参考訳（メタデータ） (2026-03-17T10:13:42Z)
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)
High-Quality Cloud-Free Optical Image Synthesis Using Multi-Temporal SAR and Contaminated Optical Data [1.5410557873153836]
本稿では,特にクラウド被覆を伴う複雑なシナリオにおいて,光学データ合成の欠如に対処する。そこで我々は,DownUp BlockやFusion Attentionなどの革新的な設計モジュールを組み込んだ新しい画像合成ネットワークであるCR SynthNetを提案する。 CR SynthNetの有効性を検証し, 構造的詳細の復元, スペクトルの保存, 比較法よりはるかに優れた視覚効果を実現した。
論文参考訳（メタデータ） (2025-04-23T16:44:53Z)
Multimodal Diffusion Bridge with Attention-Based SAR Fusion for Satellite Image Cloud Removal [15.014162404892557]
クラウド除去のための拡散ブリッジ、DB-CR、クラウドとクラウドフリーの画像分散の間のブリッジ。 DB-CRは計算効率が良く、高忠実度が得られる。
論文参考訳（メタデータ） (2025-04-04T17:25:49Z)
An Empirical Study of Validating Synthetic Data for Text-Based Person Retrieval [51.10419281315848]
我々は,テキストベース人検索(TBPR)研究における合成データの可能性を探るため,実証的研究を行った。本稿では,自動プロンプト構築戦略を導入するクラス間画像生成パイプラインを提案する。我々は、画像のさらなる編集に生成AIモデルを応用した、クラス内画像拡張パイプラインを開発する。
論文参考訳（メタデータ） (2025-03-28T06:18:15Z)
PGCS: Physical Law embedded Generative Cloud Synthesis in Remote Sensing Images [9.655563155560658]
物理法則組み込みクラウド合成法 (PGCS) は, 実データを改善するために, 多様な現実的なクラウド画像を生成するために提案されている。 2つの雲補正法がPGCSから開発され、雲補正作業における最先端手法と比較して優れた性能を示す。
論文参考訳（メタデータ） (2024-10-22T12:36:03Z)
Conditional Brownian Bridge Diffusion Model for VHR SAR to Optical Image Translation [5.578820789388206]
本文は,Brownian Bridge Diffusion Model(BBDM)に基づく条件付き画像から画像への変換手法を提案する。我々は、MSAWデータセット、ペアSAR、0.5m Very-High-Resolution (VHR) の光学画像収集に関する総合的な実験を行った。
論文参考訳（メタデータ） (2024-08-15T05:43:46Z)
UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2023-10-25T00:20:37Z)
Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文参考訳（メタデータ） (2022-12-10T20:15:23Z)
Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
論文参考訳（メタデータ） (2021-09-07T10:00:45Z)
NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文参考訳（メタデータ） (2021-06-09T17:59:10Z)

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。