論文の概要: MultiAltitudeSR: Multi-Altitude Agricultural UAV Image Super-Resolution via Physical Ground Sampling Distance Conditioning

• arxiv url: http://arxiv.org/abs/2610.24992v1
• Date: Sun, 18 Oct 2026 03:51:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:26:02.660995
• Title: MultiAltitudeSR: Multi-Altitude Agricultural UAV Image Super-Resolution via Physical Ground Sampling Distance Conditioning
• Title（参考訳）: 多高度農業用UAV画像スーパーリゾリューション
• Abstract要約: MultiAltitudeSRは、ソースとターゲットの地中サンプリング距離の変調と再構成を条件とするフレームワークである。 21組のソース・ツー・ターゲット高度ペアをペア固有の微調整なしでサポートし、1.18$times$から6.03$times$までの範囲をカバーしている。 同じアーキテクチャを用いた実験では、SRトレーニングのための実世界の多高度UAVイメージペアを取得することの価値が示された。
• 参考スコア（独自算出の注目度）: 7.322512974216309
• License:
• Abstract: Unmanned aerial vehicles (UAVs) enable high-throughput platforms for crop monitoring but face a fundamental trade-off between flight altitude and image spatial resolution. Many existing super-resolution (SR) methods for UAV imagery rely on oversimplified synthetic degradation models and are restricted to fixed integer upsampling scales, limiting their ability to handle real-world degradations and varying flight altitudes. This study proposes MultiAltitudeSR, a framework that conditions feature modulation and reconstruction on source and target ground sampling distances (GSDs). MultiAltitudeSR trained jointly on real UAV images at altitudes of 10 to 70 m above ground level supports all 21 source-to-target altitude pairs without pair-specific fine-tuning, covering scale factors ranging from 1.18$\times$ to 6.03$\times$. The framework can be extended to additional source-target GSD combinations by incorporating corresponding image pairs into training. On the 20-to-10 m pair, the model achieved competitive perceptual performance compared with pair-specific baselines, with LPIPS of 0.2236, DISTS of 0.2431, and NIQE of 8.9020. Experiments using the same architecture demonstrated the value of acquiring real-world multi-altitude UAV image pairs for SR training, with real-pair training achieving better average reconstruction performance across the 21 altitude pairs than training with the tested synthetic degradation pipeline. Downstream zero-shot segmentation case studies illustrated task-dependent benefits of super-resolved imagery for crop monitoring, suggesting potential UAV flight-time savings through image acquisition at higher altitudes.
• Abstract（参考訳）: 無人航空機(UAV)は、作物監視のための高スループットプラットフォームを実現するが、飛行高度と画像空間分解能の基本的なトレードオフに直面している。 UAV画像のための多くの既存の超解像(SR)法は、過度に単純化された合成分解モデルに依存し、固定された整数アップサンプリングスケールに制限されており、実際の劣化と様々な飛行高度を扱う能力に制限されている。 本研究は,震源及び地中サンプリング距離(GSD)を変調・再構成するフレームワークであるMultiAltitudeSRを提案する。 MultiAltitudeSRは、地上高度10mから70mの実際のUAV画像を共同で訓練し、ペア固有の微調整をせずに、21のソース対目標高度ペアをすべてサポートし、1.18$\times$から6.03$\times$までのスケール要因をカバーする。 このフレームワークは、トレーニングに対応するイメージペアを組み込むことで、ソースとターゲットのGSDの組み合わせに拡張することができる。 20mから10mのペアでは、LPIPSが0.2236、 DisTSが0.2431、NIQEが8.9020と競合する性能を達成した。 同じアーキテクチャを用いた実験では、SRトレーニングのための実世界の多高度UAVイメージペアの取得の価値が示され、実機でのトレーニングは、試験された合成分解パイプラインでのトレーニングよりも、21高度ペアの平均的な再構築性能が向上した。 下流のゼロショットセグメンテーションのケーススタディでは、作物の監視のために超解像のタスク依存的な利点が示され、高高度での画像取得によるUAVの飛行時間節約の可能性が示唆された。

関連論文リスト

• Robostral Navigate [138.74472687550374]
  Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。 モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。 我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
  論文  参考訳（メタデータ） (2026-07-22T23:13:05Z)
• AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World [75.54693105865003]
  AerialMetricは,UAV空中視点下での単分子メートル法深度推定の適応性を評価するためのベンチマークデータセットである。 AerialMetricは、52Kの現実世界と16Kの合成画像深度対を信頼できる計量基底真理で提供する。
  論文  参考訳（メタデータ） (2026-06-29T02:48:47Z)
• 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)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• An Efficient Remote Sensing Super Resolution Method Exploring Diffusion Priors and Multi-Modal Constraints for Crop Type Mapping [0.0]
  超解像度は、低解像度でも歴史的に価値のあるリモートセンシング画像アーカイブを利用する方法を提供する。 現在の手法では、科学的に現実的なイメージを再構成するための現実的な制約として補助情報を限定的に活用している。 RSSR のための効率的な LSSR フレームワークを提案し,Landsat 8 と Sentinel 2 画像のペア化によるマルチモーダルデータセットを提案する。
  論文  参考訳（メタデータ） (2025-10-27T14:34:52Z)
• SU-ESRGAN: Semantic and Uncertainty-Aware ESRGAN for Super-Resolution of Satellite and Drone Imagery with Fine-Tuning for Cross Domain Evaluation [0.0]
  GAN(Generative Adversarial Networks)は、画像の現実的な超解像(SR)を実現しているが、セマンティック一貫性と画素ごとの信頼性は欠如している。 本稿では,衛星画像にESRGANを統合するための最初のSRフレームワークであるSemantic and Uncertainty-Aware ESRGAN(SU-ESRGAN)を紹介する。 この新モデルは、広視野視野カメラ(FoV)を使用した衛星システムやUAVにおいて、カバー範囲の空間分解能のトレードオフとして有用である。
  論文  参考訳（メタデータ） (2025-08-01T16:25:21Z)
• AG-VPReID 2025: Aerial-Ground Video-based Person Re-identification Challenge Results [64.38412449125872]
  本稿では,高高度(80-120m)の地上ReIDに焦点を当てた初の大規模ビデオベースコンペであるAG-VPReID 2025 Challengeを紹介する。 この課題は、3,027個のID、13,500個のトラックレット、UAV、CCTV、ウェアラブルカメラから取得された約370万フレームからなるAG-VPReIDデータセット上に構築された。 UAMのX-TFCLIPによる空中対地ReID設定では72.28%、地上対地ReID設定では70.77%の精度を達成した
  論文  参考訳（メタデータ） (2025-06-28T10:45:30Z)
• Evaluation of Flight Parameters in UAV-based 3D Reconstruction for Rooftop Infrastructure Assessment [0.08192907805418585]
  UAVを用いた3次元ホログラフィーによる屋根上3次元再構築は,インフラ評価に有望な解決策を提供する。 既存の手法では、自律飛行経路を使用する際のモデル精度を確保するために、画像の重複率が高く、飛行時間を延長する必要があることが多い。 本研究は,複合屋上インフラの3次元再構築を最適化するために,キーフライトパラメーター地上サンプリング距離(GSD)と画像重なり合いを体系的に評価する。
  論文  参考訳（メタデータ） (2025-04-02T19:43:20Z)
• From Pixels to Planes: Minimum Ground Sample Distance for Aircraft [0.0]
  本研究では,地中サンプル距離(GSD)が各種航空機の検出性能に及ぼす影響について検討した。 データセットは、120機の民間機、軍用機、博物館の航空機からなり、2年以上にわたって収集された複数の衛星/航空資源から成り立っている。
  論文  参考訳（メタデータ） (2024-11-20T14:55:44Z)
• AG-NeRF: Attention-guided Neural Radiance Fields for Multi-height Large-scale Outdoor Scene Rendering [9.365775353436177]
  既存のニューラルラジアンス場(NeRF)をベースとした大規模屋外シーンのための新しいビュー合成法は主に1つの高度上に構築されている。 我々は、AG-NeRFと呼ばれるエンドツーエンドのフレームワークを提案し、様々なシーンの高度に基づいて自由視点画像を合成することにより、良好な再構築を構築するためのトレーニングコストを削減しようとしている。
  論文  参考訳（メタデータ） (2024-04-18T04:54:28Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)

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。