Conditional Progressive Generative Adversarial Network for satellite image generation

要約

欠落したピクセルを現実的に置き換えることができる機械学習アルゴリズムのおかげで、画像生成と画像補完は急速に進化している分野です。
ただし、大規模な高解像度画像を詳細レベルで生成するには、重要な計算上の課題が生じます。
この作業では、3 つのコーナーのうち 1 つが欠けているイメージの完成として、イメージ生成タスクを定式化します。
次に、このアプローチを拡張して、同じレベルの詳細でより大きな画像を繰り返し構築します。
私たちの目標は、衛星画像データ セットに通常見られる高解像度のサンプルを生成するためのスケーラブルな方法を取得することです。
Wasserstein オートエンコーダーによって潜在ベクトルでエンコードされた 3 つの初期隣接タイルを入力として使用して、画像内の欠落タイルを生成する条件付きプログレッシブ Generative Adversarial Networks (GAN) を導入します。
国連衛星センター (UNOSAT) が洪水検出ツールをトレーニングするために使用する一連の画像に焦点を当て、現実的な設定で合成画像の品質を検証します。

要約(オリジナル)

Image generation and image completion are rapidly evolving fields, thanks to machine learning algorithms that are able to realistically replace missing pixels. However, generating large high resolution images, with a large level of details, presents important computational challenges. In this work, we formulate the image generation task as completion of an image where one out of three corners is missing. We then extend this approach to iteratively build larger images with the same level of detail. Our goal is to obtain a scalable methodology to generate high resolution samples typically found in satellite imagery data sets. We introduce a conditional progressive Generative Adversarial Networks (GAN), that generates the missing tile in an image, using as input three initial adjacent tiles encoded in a latent vector by a Wasserstein auto-encoder. We focus on a set of images used by the United Nations Satellite Centre (UNOSAT) to train flood detection tools, and validate the quality of synthetic images in a realistic setup.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google