論文の概要: SPIRIT: Sparse Physics-Informed Inverse Rendering for SAR Imaging
- arxiv url: http://arxiv.org/abs/2610.23914v1
- Date: Thu, 01 Oct 2026 16:38:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:33:01.697923
- Title: SPIRIT: Sparse Physics-Informed Inverse Rendering for SAR Imaging
- Title（参考訳）: SPIRIT:SARイメージングのためのスパース物理インフォームド逆レンダリング
- Abstract要約: SPIRITは、スパース開口レーダサンプリングのための物理インフォームド逆レンダリングフレームワークである。
スパース開口ビューに分散した幾何学的特徴を集約してコヒーレントな再構成を行う。
合成および実世界のデータに関する実験により、SPIRITは極端に広い範囲で正確な幾何学と信号を取り戻すことを示した。
- 参考スコア（独自算出の注目度）: 10.870809073577243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio-frequency (RF) and wave-based imaging systems play a critical role in sensing under adverse conditions, but are fundamentally constrained by a trade-off between collection speed and spatial resolution. Reducing measurements to enable rapid collection of fragment geometric information across sensing dimensions, leading to highly non-injective inverse problems that destabilize conventional image-domain reconstruction and super-resolution methods. Synthetic aperture radar (SAR) exemplifies this challenge in sparse-aperture sampling. We introduce SPIRIT, a physics-informed inverse rendering framework for sparse-aperture SAR. Rather than enhancing formed images, SPIRIT reconstructs an explicit three-dimensional surface. By adopting an optimization strategy and explicitly modeling visibility, phase coherence, and wave propagation, SPIRIT aggregates distributed geometric features across sparse aperture views into a coherent reconstruction. Extensive experiments on synthetic and real-world data demonstrate that SPIRIT recovers accurate geometry and signal under extreme sparsity, reducing data collection by over 90% while achieving low geometric and signal error and consistently outperforming baselines.
- Abstract（参考訳）: 電波周波数(RF)と波面イメージングシステムは、悪条件下でのセンシングにおいて重要な役割を果たすが、収集速度と空間分解能のトレードオフにより根本的に制約される。
計測を減らして、センサー次元をまたいだ断片的な幾何学的情報の迅速な収集を可能にし、従来の画像領域再構成と超解像法を不安定にする非常に非射影的逆問題を引き起こす。
合成開口レーダ(SAR)はスパース開口サンプリングにおいてこの課題を実証している。
スパース開口SARのための物理インフォームド逆レンダリングフレームワークであるSPIRITを紹介する。
SPIRITは、形成した画像を強化するのではなく、明示的な3次元表面を再構成する。
最適化戦略を採用し、可視性、位相コヒーレンス、波動伝搬を明示的にモデル化することにより、SPIRITはスパースアパーチャビューに分散した幾何学的特徴をコヒーレントな再構成に集約する。
合成および実世界のデータに関する大規模な実験により、SPIRITは極端に広い範囲で正確な幾何と信号を復元し、データの収集を90%以上削減し、低い幾何学的・信号的誤差を達成し、一貫してベースラインを上回ることを示した。
関連論文リスト
- Physics-Guided Multi-Objective Deep Learning for Ultrasound RF Data Interpolation in Resource-Constrained Imaging [6.326228280323657]
スパースデータを用いた画像再構成は、コヒーレントビームフォーミングプロセスにおいて不十分な位相情報を導入することができる。
本稿では、下流画像形成設定とトレーニングを整合させる、スパース・トゥ・ディエンス電波物理再構成のためのデータ駆動フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-23T20:37:22Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - PolGS++: Physically-Guided Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction [76.9760302941819]
PolGS++は高速反射面再構成のための偏光ガウス散乱フレームワークである。
本稿では,アングル・オブ・ポラライゼーション(AoP)に基づくタンジェント空間の整合性制約を実現するための,奥行き誘導型可視マスク取得機構を提案する。
論文 参考訳（メタデータ） (2026-03-11T14:11:42Z) - GeoDiff-SAR: A Geometric Prior Guided Diffusion Model for SAR Image Generation [8.561613404715237]
既存の生成法は主に画像領域内で動作し、明示的な幾何学的情報を無視する。
高忠実度SAR画像生成のための幾何学的先導拡散モデルGeoDiff-SARを提案する。
その結果,GeoDiff-SARが生成したデータは高い忠実度を示し,下流分類タスクの精度を効果的に向上させることがわかった。
論文 参考訳（メタデータ） (2026-01-07T01:27:20Z) - GDROS: A Geometry-Guided Dense Registration Framework for Optical-SAR Images under Large Geometric Transformations [24.22541638346487]
我々はGDROSを提案する。GDROSはグローバルなクロスモーダル画像の相互作用を利用したジオメトリ誘導型密度登録フレームワークである。
まず、CNN-Transformerハイブリッド特徴抽出モジュールを用いて、光学画像とSAR画像からクロスモーダルな深度特徴を抽出する。
次に、予測された高密度光流場を幾何学的に制約する最小二乗回帰(LSR)モジュールを実装した。
論文 参考訳（メタデータ） (2025-11-01T15:40:34Z) - PolGS: Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction [68.8705801813427]
PolGSは10分で高速な反射面再構成が可能なポラリメトリック・ガウス・スプレイティングモデルである。
偏光的制約を3DGSフレームワークに組み込むことで、PolGSは分光成分と拡散成分を効果的に分離し、難解な反射材料のための再構成品質を向上する。
論文 参考訳（メタデータ） (2025-09-24T03:09:52Z) - Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。
本研究では, 回転同変ASISR法の構築に尽力する。
論文 参考訳（メタデータ） (2025-08-07T08:51:03Z) - SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-05-06T14:01:02Z) - Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A
Preliminary Study [5.489791364472879]
近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。
一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。
イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。
我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。
モデルに基づくディープラーニングネットワークは、復元するために設計されている
論文 参考訳（メタデータ） (2022-11-28T01:28:33Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳（メタデータ） (2020-06-18T06:32:11Z) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳（メタデータ） (2020-05-18T14:25:50Z)
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。