論文の概要: Multimodal Remote Sensing Image Registration: A Comprehensive Review, Challenges and Prospects

• arxiv url: http://arxiv.org/abs/2610.11176v1
• Date: Thu, 08 Oct 2026 03:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.768061
• Title: Multimodal Remote Sensing Image Registration: A Comprehensive Review, Challenges and Prospects
• Title（参考訳）: マルチモーダルリモートセンシング画像登録 : 総合的レビューと課題と展望
• Abstract要約: マルチモーダルリモートセンシング画像登録は、リモートセンシングデータの協調処理および下流適用に不可欠である。 これらの違いは、様々なセンサージオメトリ、物理放射機構、イメージングプラットフォーム、環境障害によって引き起こされ、高精度で堅牢な登録を達成するために深刻な課題を提起する。 本稿では,主流のマルチモーダルリモートセンシング画像登録手法の進捗状況を体系的にレビューする。
• 参考スコア（独自算出の注目度）: 5.088637088115815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal remote sensing image registration is a crucial prerequisite for the collaborative processing and downstream application of remote sensing data, such as image fusion, change detection, and target recognition. However, significant variations in radiometry, geometry, scale, viewpoint, and time often exist between multimodal images. These differences, driven by varying sensor geometries, physical radiation mechanisms, imaging platforms, and environmental disturbances, pose severe challenges to achieving high-precision, robust registration. This paper systematically reviews the progress of mainstream multimodal remote sensing image registration methods. Based on their registration pipelines, existing approaches are categorized into three main types: region-based, feature-based, and deep learning-based methods. We detail the core principles, representative algorithms, advantages, and limitations of each category. Additionally, we summarize publicly available multimodal image datasets in the remote sensing domain, analyzing their specific characteristics and applicable scenarios. Finally, we highlight current bottlenecks in high-precision registration research and outline future development trends. This review aims to provide a comprehensive reference and valuable insights for researchers in related fields.
• Abstract（参考訳）: マルチモーダルリモートセンシング画像登録は、画像融合、変化検出、ターゲット認識などのリモートセンシングデータの協調処理および下流適用において重要な前提条件である。 しかし、ラジオメトリー、幾何学、スケール、視点、時間に有意な変化は、しばしばマルチモーダル画像の間に存在している。 これらの違いは、様々なセンサージオメトリ、物理放射機構、イメージングプラットフォーム、環境障害によって引き起こされ、高精度で堅牢な登録を達成するために深刻な課題を提起する。 本稿では,主流のマルチモーダルリモートセンシング画像登録手法の進捗状況を体系的にレビューする。 登録パイプラインに基づいて、既存のアプローチは、リージョンベース、フィーチャーベース、ディープラーニングベースの3つの主要なタイプに分類される。 各カテゴリの中核となる原則、代表的アルゴリズム、アドバンテージ、制限について詳述する。 さらに、リモートセンシング領域で利用可能なマルチモーダル画像データセットを要約し、それらの特性と適用シナリオを分析した。 最後に, 高精度登録研究における現在のボトルネックに注目し, 今後の開発動向を概説する。 このレビューは、関連する分野の研究者に対して、包括的な参照と貴重な洞察を提供することを目的としている。

関連論文リスト

• Blurring Modal Boundaries: A Unified Survey from Single- to Multi-Modal Person Re-ldentification [56.272623701773256]
  人物の再識別は知的監視システムにおいて重要な要素である。 制限を克服するため、分野はクロスモーダルパラダイムやマルチモーダルパラダイムへと急速に進化している。
  論文  参考訳（メタデータ） (2026-07-16T10:39:22Z)
• MatchAnything: Universal Cross-Modality Image Matching with Large-Scale Pre-Training [62.843316348659165]
  ディープラーニングに基づく画像マッチングアルゴリズムは、人間を劇的に上回り、大量の対応を素早く正確に見つける。 本稿では, 画像間の基本構造を認識し, 一致させるためのモデル学習のために, 合成モード間学習信号を利用する大規模事前学習フレームワークを提案する。 我々の重要な発見は、我々のフレームワークで訓練されたマッチングモデルが、目に見えない8つのクロスモダリティ登録タスクにまたがる顕著な一般化性を達成することである。
  論文  参考訳（メタデータ） (2025-01-13T18:37:36Z)
• Local Feature Matching Using Deep Learning: A Survey [19.322545965903608]
  局所的な特徴マッチングは、画像検索、3D再構成、オブジェクト認識といった領域を含むコンピュータビジョンの領域において幅広い応用を享受する。 近年,深層学習モデルの導入により,局所的特徴マッチング手法の探究が盛んに行われている。 また,移動構造,リモートセンシング画像登録,医用画像登録などの多様な領域における局所的特徴マッチングの実践的応用についても検討した。
  論文  参考訳（メタデータ） (2024-01-31T04:32:41Z)
• LCPR: A Multi-Scale Attention-Based LiDAR-Camera Fusion Network for Place Recognition [11.206532393178385]
  本稿では,マルチモーダル位置認識のための新しいニューラルネットワークLCPRを提案する。 位置認識性能を向上させるために,マルチビューカメラとLiDARデータを効果的に利用することができる。
  論文  参考訳（メタデータ） (2023-11-06T15:39:48Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Breaking Modality Disparity: Harmonized Representation for Infrared and Visible Image Registration [66.33746403815283]
  シーン適応型赤外線と可視画像の登録を提案する。 我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。 我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T06:49:56Z)
• Advances and Challenges in Multimodal Remote Sensing Image Registration [4.212031520823376]
  マルチモーダルリモートセンシング画像登録は、マルチモーダルデータ間で補完的な情報を統合し、地球表面の包括的な観察と解析を行うための重要なステップである。 我々は,既存のマルチモーダル画像登録手法の利点と限界を概説し,残りの課題について考察する。
  論文  参考訳（メタデータ） (2023-02-02T07:07:35Z)
• Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
  本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。 従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。 本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
  論文  参考訳（メタデータ） (2022-03-30T11:44:56Z)

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。