論文の概要: UniBuild: Unified Building Mapping From Multi-Source Optical Remote Sensing Imagery With Detail Decoding and Geometry Regularization
- arxiv url: http://arxiv.org/abs/2609.37031v1
- Date: Tue, 29 Sep 2026 08:44:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.338434
- Title: UniBuild: Unified Building Mapping From Multi-Source Optical Remote Sensing Imagery With Detail Decoding and Geometry Regularization
- Title（参考訳）: UniBuild: 詳細復号化と幾何正規化によるマルチソース光リモートセンシング画像からの統合ビルディングマッピング
- Abstract要約: 光リモートセンシング(RS)画像からのビルディング抽出は都市マッピングの基礎となる。
マルチソースRGB光RS画像のための統合ビルディング抽出フレームワークUniBuildを提案する。
UniBuildは、さまざまなデータセット間で構築領域の精度、バウンダリシャープネス、隣り合うビルド分離を一貫して改善する。
- 参考スコア（独自算出の注目度）: 17.92736141704243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building extraction from optical remote sensing (RS) imagery is fundamental to urban mapping, yet existing methods are often dataset-specific and generalize poorly to unseen domains. Their practical use is also limited by insufficient detail recovery and weak geometric regularization, leading to blurred boundaries, irregular shapes, and merged adjacent buildings. To address these issues, we propose UniBuild, a unified building extraction framework for multi-source RGB optical RS imagery. First, a unified multi-dataset training scheme is constructed over heterogeneous RGB optical datasets to learn transferable building representations across sensors and resolutions. Second, a novel detail-preserving HR-DPT decoder is designed to integrate high-level semantic features with high-resolution spatial features, enhancing building detail recovery. Third, geometry-aware regularization is introduced through a structure-tensor-based direction-aware loss for boundary direction consistency and a saddle-aware loss for suppressing false activations in narrow inter-building gaps under low-resolution conditions. We train and evaluate UniBuild on multi-source RGB optical datasets, including 10 public high-resolution datasets and two self-collected low-resolution datasets. Experiments show that UniBuild consistently improves building-region accuracy, boundary sharpness, and adjacent-building separation across diverse datasets. It also generalizes well to unseen domains and supports practical building extraction from RGB optical RS imagery up to 10\,m resolution. The predicted masks can be further converted into GIS-compatible building footprints through simple polygonization. The trained model and inference code are released at https://github.com/zhu-xlab/UniBuild.
- Abstract（参考訳）: 光リモートセンシング(RS)画像からの抽出は都市マッピングに不可欠であるが、既存の手法はしばしばデータセットに特化しており、目に見えない領域にはあまり一般化しない。
それらの実用用途は、不十分な詳細回復と弱い幾何学的規則化によって制限され、ぼやけた境界線、不規則な形、および隣接した建物が統合される。
これらの課題に対処するために,マルチソースRGB光RS画像のための統合ビルディング抽出フレームワークUniBuildを提案する。
第一に、センサと解像度をまたいだ移動可能なビルディング表現を学習するために、異種RGB光データセット上に統合されたマルチデータセットトレーニングスキームを構築する。
第二に,高精細度保存型HR-DPTデコーダは,高精細度空間特徴と高精細度空間特徴とを一体化して,高精細度復元を実現するように設計されている。
第3に,低分解能条件下での細い建築間隙における偽の活性化を抑制するための境界方向整合性のための構造テンソルに基づく方向認識損失とサドル認識損失により,幾何認識正規化を導入する。
オープンな高解像度データセット10と、自己コンパイルされた低解像度データセット2つを含む、マルチソースRGB光データセット上でUniBuildをトレーニングし、評価する。
実験の結果、UniBuildはさまざまなデータセット間で構築領域の精度、バウンダリシャープネス、隣り合う構築分離を一貫して改善している。
また、目に見えない領域を一般化し、RGBの光学RS画像から10\,mの解像度まで、実用的なビルディング抽出をサポートする。
予測されたマスクは、単純なポリゴン化によりGIS互換の建築フットプリントに変換することができる。
トレーニングされたモデルと推論コードはhttps://github.com/zhu-xlab/UniBuild.comでリリースされる。
関連論文リスト
- RaysUp: Ultra-light Universal Feature Upsampling via Geometry-Aware Ray Representation [11.94699228168484]
RaysUpは超軽量でタスクに依存しない、VFMに依存しない機能アップサンプリングフレームワークである。
任意の密接な一般化で高分解能特徴写像を再構成する。
実験によると、RaysUpはAnyUpのパラメータの16%しか使用していない。
論文 参考訳（メタデータ） (2026-06-22T01:37:56Z) - PolyBuild: An End-to-End Method for Polygonal Building Contour Extraction from High-Resolution Remote Sensing Images [2.216908642110801]
高解像度リモートセンシング画像から直接ポリゴンを抽出できるPolyBuildというエンド・ツー・エンドの手法を提案する。
提案手法は,ICGM (Initial Contour Generation Module) とCOM (Contour Optimization Module) の2つの主要モジュールを利用する。
結果は、PolyBuildがマスクベースのアプローチや輪郭ベースのアプローチを含む最先端の手法を大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2026-06-08T01:59:36Z) - Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。
我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。
このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-24T12:52:10Z) - Feature-Augmented Deep Networks for Multiscale Building Segmentation in High-Resolution UAV and Satellite Imagery [1.5417562870196788]
本稿では,RGBの航空画像と衛星画像を用いた大規模建物セグメンテーションのための総合的なディープラーニングフレームワークを提案する。
我々のモデルは96.5%の精度、F1スコアは0.86、Intersection over Union(IoU)は0.80で、既存のRGBベースのベンチマークを上回っている。
論文 参考訳（メタデータ） (2025-05-08T15:08:36Z) - RSBuilding: Towards General Remote Sensing Image Building Extraction and Change Detection with Foundation Model [22.56227565913003]
本稿では、基礎モデルの観点から、RSBuildingと呼ばれる総合的なリモートセンシング画像構築モデルを提案する。
RSBuildingはクロスシーンの一般化とタスク理解を強化するように設計されている。
我々のモデルは最大245,000の画像からなるデータセットでトレーニングされ、複数のビルの抽出と変更検出データセットで検証された。
論文 参考訳（メタデータ） (2024-03-12T11:51:59Z) - Towards Real-World Burst Image Super-Resolution: Benchmark and Method [93.73429028287038]
本稿では,複数のフレームから画像の詳細を忠実に再構成する大規模リアルタイムバースト超解像データセットであるRealBSRを確立する。
また,FBAnet(Federated Burst Affinity Network)を導入し,実世界の画像劣化下での画像間の非自明な画素幅の変位について検討する。
論文 参考訳（メタデータ） (2023-09-09T14:11:37Z) - Spherical Space Feature Decomposition for Guided Depth Map
Super-Resolution [123.04455334124188]
誘導深度マップ超解像(GDSR)は、低解像度(LR)深度マップに高解像度(HR)RGB画像を含む追加情報を加えることを目的としている。
本稿では,この問題を解決するために,Spherical Space Feature Decomposition Network (SSDNet)を提案する。
提案手法は,4つのテストデータセットの最先端結果と実世界のシーンへの一般化を実現する。
論文 参考訳（メタデータ） (2023-03-15T21:22:21Z) - Multi-Stage Progressive Image Restoration [167.6852235432918]
本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。
本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。
MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2021-02-04T18:57:07Z) - Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。
我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。
実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文 参考訳（メタデータ） (2021-01-26T18:57:21Z)
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。