論文の概要: From Sentinel-2 to 1-m Imagery: Real-World $\times 10$ Cross-Sensor Super-Resolution via Visual Autoregressive Modeling
- arxiv url: http://arxiv.org/abs/2610.34742v1
- Date: Mon, 26 Oct 2026 02:43:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.706951
- Title: From Sentinel-2 to 1-m Imagery: Real-World $\times 10$ Cross-Sensor Super-Resolution via Visual Autoregressive Modeling
- Title（参考訳）: Sentinel-2から1m画像へ:ビジュアル自己回帰モデリングによるクロスセンサー超解法の実世界の$\times 10$
- Abstract要約: Sentinel-2からの1m画像の再構成には2つの困難が伴う。
入力と参照は、空間分解能、スペクトル応答、ラジオメトリー、取得時間、局所幾何学が異なる異なる衛星によって観測される。
2022 Sentinel-2 RGBコンポジットと2022 Jilin-1 RGBレファレンスを組み合わしたYREB-SRを用いた実世界の$times 10$問題について検討した。
- 参考スコア（独自算出の注目度）: 28.231749084599144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing 1-m imagery from Sentinel-2 combines two difficulties. The input and the reference are observed by different satellites, which differ in spatial resolution, spectral response, radiometry, acquisition time, and local geometry, so no synthetic degradation operator links them. The required magnification of ten in each spatial dimension also far exceeds the factors of two to four at which remote sensing super-resolution is usually developed. We study this real-world $\times 10$ problem using YREB-SR, which pairs 2022 Sentinel-2 RGB composites with 2022 Jilin-1 RGB references resampled to a 1-m grid over the Yangtze River Economic Belt. The benchmark contains 11,559 geographically matched scene pairs, with 6,409, 2,135, and 3,015 assigned to training, validation, and testing, respectively. We develop CrossVAR, a visual autoregressive model that predicts the 1-m latent as a nine-scale hierarchy conditioned on the Sentinel-2 input and estimates the remaining quantization residual with a diffusion refiner run without injected noise. Complete 1600 $\times$ 1600 scenes are reconstructed in overlapping windows that start on the Sentinel-2 pixel grid, as every training patch does, and every window is decoded at the size on which the decoder was trained before the windows are blended with Gaussian weights. On all 3,015 test scenes, CrossVAR achieves 27.60 dB PSNR, 0.7725 SSIM, 0.1451 LPIPS, and 7.15 FID, the best value of each metric among the compared methods. These results establish a strong autoregressive baseline for large-scale cross-sensor reconstruction. To facilitate reproducibility, the source code and implementation are publicly available at https://github.com/SHANOAL/RSSR.
- Abstract（参考訳）: Sentinel-2からの1m画像の再構成には2つの困難が伴う。
入力と参照は、空間分解能、スペクトル応答、ラジオメトリー、取得時間、局所幾何学が異なる異なる衛星によって観測されるため、合成劣化演算子はリンクしない。
各空間次元において必要となる10倍率は、リモートセンシング超解像が通常発達する2から4倍の要素をはるかに上回っている。
2022 Sentinel-2 RGBコンポジットと2022 Jilin-1 RGBレファレンスを組み合わせたYREB-SRを用いた実世界の$\times 10$問題について検討した。
このベンチマークには、地理的にマッチしたシーンペアが11,559個含まれており、それぞれ6,409個、2,135個、および3,015個がトレーニング、検証、テストに割り当てられている。
そこで我々はCrossVARを開発した。これは1m潜時をSentinel-2入力に条件付き9スケール階層として予測し,残余量子化残差を拡散精製器で推定する視覚自己回帰モデルである。
全1600ドル\times$1600のシーンは、すべてのトレーニングパッチのようにSentinel-2ピクセルグリッド上に始まる重なり合うウィンドウで再構築され、ウィンドウがガウス重みと混じる前にデコーダがトレーニングされたサイズでデコードされる。
全ての3,015のテストシーンで、CrossVARは27.60dBのPSNR、0.7725のSSIM、0.1451のLPIPS、7.15のFIDを達成している。
これらの結果から,大規模なクロスセンサ再建のための強力な自己回帰ベースラインが確立された。
再現性を促進するため、ソースコードと実装はhttps://github.com/SHANOAL/RSSR.comで公開されている。
関連論文リスト
- From Mono to Stereo: Accelerating Binocular Gaussian Splatting via Reprojection and Selective Patching [1.9773684168239962]
本稿では、支配的なRGB画像とアルファ重み付き深度プロキシを描画し、その画像を関連眼に再投影し、未発見ピクセルを修復する2DGSパイプラインを提案する。
DTUタンクとテンプルとMipNeRF-360では、シーケンシャルな2パスの双眼鏡参照の計測時間を15.5%から28.8%、ピークのGPUメモリを6%から11%削減する。
論文 参考訳（メタデータ） (2026-09-25T03:11:46Z) - Representation Distribution Matching for One-Step Visual Generation [107.84208192304455]
表現分布マッチング(Representation Distribution Matching, RDM)の設計空間の解明
2つの設計軸、分布がどのように比較され、それらの表現が比較されるかを特定し、それに沿って制御された研究によって3つの結果が得られた。
同じレシピは4ステップのFLUX.2[klein]を1ステップのジェネレータに後付けし、GenEvalの4ステップバージョンである0.826から0.794、PickScoreの22.76から22.58を90 H200 GPU時間で上回った。
論文 参考訳（メタデータ） (2026-07-02T16:15:38Z) - HiReFF: High-Resolution Feedforward Human Reconstruction from Uncalibrated Sparse-View Video [58.85548854304172]
HiReFFは、2K解像度の360度ビデオ再構成のためのフィードフォワード方式である。
この問題を,スパースビデオからの3次元ガウス再構成と,計算効率の良い高分解能合成という2つの重要な課題に分解する。
実験により、HiReFFは高解像度のストリーミングビデオ再構成において既存の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2026-06-28T11:01:36Z) - Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - Improved Baselines with Representation Autoencoders [61.47127824064028]
表現オートエンコーダ(RAE)は、従来のVAEを事前訓練された視覚エンコーダに置き換える。
RAEを単純化し、改善する3つの洞察が得られます。
RAEv2はオリジナルのRAEよりも10倍以上早く収束する。
論文 参考訳（メタデータ） (2026-05-18T12:42:34Z) - Are Pretrained Image Matchers Good Enough for SAR-Optical Satellite Registration? [7.519268719195278]
クロスモーダル光SAR登録はリモートセンシングによる災害応答のボトルネックとなる。
現代の画像マーカは、ほとんど自然画像ドメインでベンチマークされる。
論文 参考訳（メタデータ） (2026-04-11T13:56:20Z) - Representation Entanglement for Generation: Training Diffusion Transformers Is Much Easier Than You Think [63.25744258438214]
REPAとその変種は、事前訓練されたモデルから外部の視覚表現を取り入れることで、拡散モデルのトレーニング課題を効果的に軽減する。
偏見推論過程全体において欠落している外部アライメントは、識別的表現の可能性を完全に活用するに足らないと我々は主張する。
本稿では,事前学習した基礎モデルから,低レベル画像ラテントを1つの高レベルクラストークンで絡み合わせるRepresentation Entanglement for Generation (REG)を提案する。
論文 参考訳（メタデータ） (2025-07-02T08:29:18Z) - DiffFuSR: Super-Resolution of all Sentinel-2 Multispectral Bands using Diffusion Models [12.227962960123016]
本稿では,Sentinel-2 Level-2A画像の12のスペクトル帯域を超解像するモジュールパイプラインDiffFuSRを提案する。
パイプラインは、(i)拡散ベース超解像(SR)モデルで、NAIPとWorldStratデータセットから高分解能RGB画像に基づいてトレーニングされ、Sentinel-2特性をシミュレートするために調和し、(ii)超解像RGB画像を用いて残りのマルチスペクトルバンドを空間的にスケールアップする学習融合ネットワークである。
論文 参考訳（メタデータ） (2025-06-13T13:18:09Z) - L1BSR: Exploiting Detector Overlap for Self-Supervised Single-Image
Super-Resolution of Sentinel-2 L1B Imagery [14.233972890133769]
高解像度衛星画像は、多くの地球観測アプリケーションにとって重要な要素である。
信頼性の高い高解像度基底真理の欠如は、このタスクへのディープラーニング手法の適用を制限する。
L1BSRは,Sentinel-2 L1B 10m帯の単一像超解像およびバンドアライメントのための深層学習に基づく手法である。
論文 参考訳（メタデータ） (2023-04-14T00:17:57Z)
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。