論文の概要: ContraFM-S2O: Flow Matching-Based One-step SAR-to-Optical Image Translation Model with Contrastive Learning

• arxiv url: http://arxiv.org/abs/2609.31378v1
• Date: Fri, 25 Sep 2026 15:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.451966
• Title: ContraFM-S2O: Flow Matching-Based One-step SAR-to-Optical Image Translation Model with Contrastive Learning
• Title（参考訳）: ContraFM-S2O: コントラスト学習を用いたフローマッチングに基づくワンステップSAR-to-Optical画像変換モデル
• Abstract要約: ContraFM-S2O(コントラFM-S2O)は、SAR-光画像変換のためのフローマッチングモデルである。 トレーニングの速度場を予測することを学び、サンプリング効率を改善するために、SDEの代わりにODEを解く。 1段階のSAR-to-optical画像変換を実現し、コントラスト学習を用いて生成した光学画像の品質を向上させる。
• 参考スコア（独自算出の注目度）: 29.877470554769005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, diffusion models and GAN-based models have become the mainstream approaches for SAR-to-optical image translation, owing to their advantages, such as high-quality generation and stable training. However, they have shortcomings such as high inference latency and the generated optical images suffer from low detail fidelity, often resulting in blurred edges and loss of fine textures. Thus, we propose ContraFM-S2O, which is a flow matching-based model for SAR-to-optical image translation. Unlike conventional diffusion models, ContraFM-S2O learns to predict the velocity field in training and solves ODE instead of SDE during inference to improve the sampling efficiency. In addition, ContraFM-S2O replaces instantaneous velocity with average velocity along the interpolation path to realize one-step SAR-to-optical image translation and uses contrastive learning to improve the quality of the generated optical images. Experiments show our model achieves state-of-the-art on SAR2Opt and QXS datasets, outperforming baselines, and reduces inference latency via one-step generation.
• Abstract（参考訳）: 近年、拡散モデルやGANベースのモデルは、高品質な生成や安定した訓練などの利点により、SAR-光画像翻訳の主流のアプローチとなっている。 しかし、それらは高い推論遅延や生成した光学画像が低ディテールの忠実さに悩まされ、しばしばぼやけたエッジと細かいテクスチャが失われるなどの欠点がある。 そこで本研究では,SAR-to-光画像変換のためのフローマッチングモデルであるContraFM-S2Oを提案する。 従来の拡散モデルとは異なり、ContraFM-S2Oはトレーニングの速度場を予測し、SDEの代わりにODEを解き、サンプリング効率を向上させる。 さらに、ContraFM-S2Oは、補間経路に沿った平均速度に即時速度を置き換え、ワンステップのSAR-光画像変換を実現し、コントラスト学習を用いて生成した光学画像の品質を向上させる。 実験により,SAR2OptおよびQXSデータセットの最先端化,ベースラインの向上,ワンステップ生成による推論遅延の低減を実現した。

関連論文リスト

• ZoomDiff: A High-Fidelity Diffusion Model for Dual-Camera Smooth Zooming [52.06132693305164]
  デュアルカメラ間のデジタルズーム遷移は、幾何学的構造と色調の整合性において顕著な不連続性を示すことが多い。 本稿では,高忠実度拡散モデルであるZoomDiffを提案する。
  論文  参考訳（メタデータ） (2026-09-23T13:22:58Z)
• Residual-based Efficient Bidirectional Diffusion Model for Image Dehazing and Haze Generation [17.043633726365233]
  現在のディープデヘイズ法は、ヘイズフリー画像とヘイズフリー画像の翻訳能力に欠け、ヘイズ画像からヘイズを除去することのみに焦点を当てている。 本研究では, 残差に基づく効率的な双方向拡散モデル (RBDM) を提案し, 脱ハジングとヘイズ生成の両方の条件分布をモデル化する。 RBDMは,15ステップのサンプリングで,ヘイズフリー画像とヘイズ画像の双方向化を実現することに成功した。
  論文  参考訳（メタデータ） (2025-08-15T01:00:15Z)
• 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)
• Accelerating Diffusion for SAR-to-Optical Image Translation via Adversarial Consistency Distillation [5.234109158596138]
  本稿では,SAR-to-optical Image translationのための新しいトレーニングフレームワークを提案する。 本手法では, 画像の明瞭度を保証し, 色変化を最小限に抑えるために, 反復推論ステップの低減に一貫性蒸留を用い, 対角学習を統合した。 その結果,提案手法は生成画像の視覚的品質を維持しつつ,推論速度を131倍向上させることを示した。
  論文  参考訳（メタデータ） (2024-07-08T16:36:12Z)
• Distilling Diffusion Models into Conditional GANs [90.76040478677609]
  複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。 我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
  論文  参考訳（メタデータ） (2024-05-09T17:59:40Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• SAR-to-Optical Image Translation via Thermodynamics-inspired Network [68.71771171637677]
  本稿では,SAR-to-Optical Image Translation (S2O-TDN) のための熱力学インスピレーションネットワークを提案する。 S2O-TDNは熱力学理論から導かれた明示的な設計原理に従い、説明可能性の利点を享受する。 公的なSEN1-2データセットの実験は、より繊細なテクスチャとより定量的な結果を持つ現在の手法よりも提案されたS2O-TDNの利点を示している。
  論文  参考訳（メタデータ） (2023-05-23T09:02:33Z)

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。