SAR Image Synthesis with Diffusion Models

要約

近年、拡散モデル (DM) は合成データを生成する一般的な方法となっています。
より高品質のサンプルを実現することで、それらはすぐに敵対的生成ネットワーク (GAN) や生成モデリングにおける現在の最先端の手法よりも優れたものになりました。
しかし、レーダーではその可能性がまだ活用されておらず、レーダーでは利用可能な訓練データの不足が長年の問題となっています。
この研究では、特定の種類の DM、つまりノイズ除去拡散確率モデル (DDPM) が SAR ドメインに適応されています。
条件付きおよび無条件の SAR 画像生成のためのネットワークの選択と特定の拡散パラメーターを調査します。
私たちの実験では、DDPM が最先端の GAN ベースの SAR 画像生成方法よりも定性的および定量的に優れていることを示しました。
最後に、DDPM が大規模なクラッター データの事前トレーニングから利益を得て、さらに高品質の SAR 画像を生成することを示します。

要約(オリジナル)

In recent years, diffusion models (DMs) have become a popular method for generating synthetic data. By achieving samples of higher quality, they quickly became superior to generative adversarial networks (GANs) and the current state-of-the-art method in generative modeling. However, their potential has not yet been exploited in radar, where the lack of available training data is a long-standing problem. In this work, a specific type of DMs, namely denoising diffusion probabilistic model (DDPM) is adapted to the SAR domain. We investigate the network choice and specific diffusion parameters for conditional and unconditional SAR image generation. In our experiments, we show that DDPM qualitatively and quantitatively outperforms state-of-the-art GAN-based methods for SAR image generation. Finally, we show that DDPM profits from pretraining on largescale clutter data, generating SAR images of even higher quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google