論文の概要: GeoSET: Generalist Foundation Model for SAR-to-EO Image Translation

• arxiv url: http://arxiv.org/abs/2609.37496v1
• Date: Sat, 26 Sep 2026 14:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.52766
• Title: GeoSET: Generalist Foundation Model for SAR-to-EO Image Translation
• Title（参考訳）: GeoSET:SAR-to-EO画像翻訳のためのジェネリスト基礎モデル
• Abstract要約: 既存のSAR-to-EO画像変換法は、通常、単一の限られたスケールのデータセットで訓練される。 我々は、単一の事前訓練された親を中心に構築されたGeoSETを紹介し、共通のプロトコルの下で下流データセットに適応する。 我々は1000万以上のSAR観測データから300万以上の高品質SAR-EOペアをキュレートする。
• 参考スコア（独自算出の注目度）: 31.388846490896924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Paired synthetic aperture radar (SAR) and electro-optical (EO) imagery is increasingly available across sensors, resolutions, and geographic regions. Yet existing SAR-to-EO image translation (SET) methods are typically trained on a single, limited-scale dataset, producing models specialized to particular sensing conditions. We introduce GeoSET, the first generalist model for SET, built around a single pretrained parent that is adapted to downstream datasets under a common protocol. We curate over 3 million high-quality SAR--EO pairs from a collection of more than 10 million SAR observations, spanning diverse sensors, spatial resolutions, and ground sampling distances. To bridge the modality gap between SAR observations and a pretrained image generator, we develop a speckle-robust SAR encoder and pretrain the conditional generator on this heterogeneous corpus. The resulting parent supports efficient adaptation across downstream datasets through low-rank adaptation (LoRA), updating only 0.60% of the generator parameters and requiring approximately one hour per dataset. Across six downstream benchmarks, GeoSET achieves state-of-the-art results in FID and DISTS with full fine-tuning or LoRA, demonstrating effective transfer across heterogeneous SAR-EO domains.
• Abstract（参考訳）: ペアリング合成開口レーダ(SAR)と電気光学(EO)画像は、センサー、解像度、地理的領域で利用が増えている。 しかし、既存のSAR-to-EO画像変換(SET)法は、通常、単一の限られたスケールのデータセットで訓練され、特定の感知条件に特化したモデルを生成する。 SETの最初のジェネラリストモデルであるGeoSETは、単一の事前訓練された親を中心に構築され、共通のプロトコルの下で下流データセットに適応する。 我々は、1000万以上のSAR観測結果から300万以上の高品質なSAR-EOペアをキュレートし、多様なセンサー、空間分解能、地中サンプリング距離にまたがる。 本研究では,SAR観測と予め訓練した画像生成装置のモダリティギャップを埋めるために,スペックル・ロバストなSARエンコーダを開発し,不均一なコーパス上で条件付きジェネレータを事前訓練する。 結果として生成された親は、ローランク適応(LoRA)を通じて下流データセットへの効率的な適応をサポートし、ジェネレータパラメータのわずか0.60%を更新し、1データセットあたり約1時間を要求する。 6つの下流ベンチマークで、GeoSETはフル微調整またはLoRAでFIDとdisTSの最先端の結果を達成し、異種SAR-EOドメイン間の効果的な転送を実証している。

関連論文リスト

• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• Beyond Visual Fidelity: Benchmarking Super-Resolution Models for Large-Scale Remote Sensing Imagery via Downstream Task Integration [61.02313993032298]
  超分解能(SR)技術は低分解能入力から高分解能画像の再構成に大きな進歩をもたらした。 GeoSR-Benchは、SRモデルから改良された画像解像度と下流の地球モニタリングタスクを直接接続する最初のSRベンチマークである。 270の設定で実験を行い、2つのクロスプラットフォームSRタスク、9つのSRモデル、3つのダウンストリームタスクモデル、各SRタスクの5つのダウンストリームタスクをカバーした。
  論文  参考訳（メタデータ） (2026-05-01T00:44:46Z)
• CrossEarth-SAR: A SAR-Centric and Billion-Scale Geospatial Foundation Model for Domain Generalizable Semantic Segmentation [51.94680303125737]
  我々は、新しい物理誘導型スパース・オブ・エキスパート(MoE)アーキテクチャに基づいて構築された、最初の10億ドル規模のSARビジョン基盤モデルであるCrossEarth-SARを紹介する。 大規模な事前トレーニングを容易にするために,公共およびプライベートなSAR画像を統合する弱く完全に教師付きデータセットであるCrossEarth-SAR-200Kを開発した。 また、8つの異なる領域ギャップをまたいだ22のサブベンチマークからなるベンチマークスイートを導入し、SAR画像上でのドメイン一般化セマンティックセマンティックセグメンテーションのための最初の統一標準を確立した。
  論文  参考訳（メタデータ） (2026-03-12T14:52:35Z)
• FUSAR-KLIP: Towards Multimodal Foundation Models for Remote Sensing [16.948824707021412]
  クロスモーダル人工知能は近年広く注目を集めており、自然画像の研究において大きな進歩を遂げている。 既存の手法は主にRGB画像用に設計されており、合成開口レーダ(SAR)画像のモデリングにおいて大きなギャップを残している。 本稿では,再利用可能なデータと評価ベースラインとともに,初の汎用SARマルチモーダル基盤モデルであるFUSAR-KLIPを提案する。
  論文  参考訳（メタデータ） (2025-09-28T15:03:25Z)
• Quantitative Comparison of Fine-Tuning Techniques for Pretrained Latent Diffusion Models in the Generation of Unseen SAR Images [0.0]
  我々は、SAR(Synthetic Aperture Radar)のモダリティに、オープンソースのテキスト・ツー・イメージ基盤モデルを適用する。 我々は,UNet拡散バックボーン,変分オートエンコーダ(VAE)およびテキストエンコーダの完全な微調整とパラメータ効率の低いローランド適応(LoRA)を比較した。 この結果から,テキストエンコーダと学習トークン埋め込みベストにLoRAを併用したハイブリッド戦略フルUNetチューニングが,SAR形状とテクスチャを保存できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T09:48:01Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• TSGAN: An Optical-to-SAR Dual Conditional GAN for Optical based SAR Temporal Shifting [0.6827423171182154]
  本研究は,光学-SAR翻訳の領域を小さくする研究である。 本稿では,所望のタイムスタンプから光データを,異なる時間点からのSARデータとともに入力する,SAR時間シフトと呼ばれる新しい手法を提案する。 このモデルは、光学データで観測された変化に基づいてSARデータを修正し、所望のタイムスタンプに対してSARデータを生成する。
  論文  参考訳（メタデータ） (2023-12-31T09:38:53Z)
• An Unsupervised Generative Neural Approach for InSAR Phase Filtering and Coherence Estimation [3.8218584696400484]
  我々は,共同位相フィルタリングとコヒーレンス推定のためのCNNに基づく生成モデルであるGenInSARを提案する。 GenInSARの衛星とシミュレートされたノイズのあるInSAR画像に関する教師なしの訓練は、全残留量削減において他の関連手法よりも優れている。 Coherence Root-Mean-Squared-Error と Phase Cosine Error はそれぞれ、関連する方法と比較して平均 0.54, 0.07, 0.05 改善されている。
  論文  参考訳（メタデータ） (2020-01-27T08:50:39Z)

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。