Toward task-driven satellite image super-resolution

要約

超解像度は、低解像度の観測から高解像度の画像を再構築することを目的としています。
深い学習で支えられた最先端のアプローチにより、優れた結果を得て、高い知覚品質の画像を生成できます。
ただし、再構築された詳細が実際のグラウンドトゥルース情報に近いかどうか、およびそれらが画像分析アルゴリズムのより価値のあるソースを構成するかどうかは不明のままです。
報告された研究では、後者の問題に対処し、自動画像分析に悪用できる高解像度画像を生成するのに適したタスク駆動型の方法で超解像度アルゴリズムを学習するための取り組みを提示します。
報告された最初の研究では、スーパー解像度の再構築アルゴリズムの評価に使用できるかどうかという点でコンピュータービジョンタスクを実行する既存のモデルを評価するための方法論的アプローチを提案し、タスク駆動型の方法でトレーニングします。
私たちは実験的研究で分析をサポートし、現実世界の超解像度の能力を前進させる適切なコンピュータービジョンタスクを選択するための強固な基盤を確立することを期待しています。

要約(オリジナル)

Super-resolution is aimed at reconstructing high-resolution images from low-resolution observations. State-of-the-art approaches underpinned with deep learning allow for obtaining outstanding results, generating images of high perceptual quality. However, it often remains unclear whether the reconstructed details are close to the actual ground-truth information and whether they constitute a more valuable source for image analysis algorithms. In the reported work, we address the latter problem, and we present our efforts toward learning super-resolution algorithms in a task-driven way to make them suitable for generating high-resolution images that can be exploited for automated image analysis. In the reported initial research, we propose a methodological approach for assessing the existing models that perform computer vision tasks in terms of whether they can be used for evaluating super-resolution reconstruction algorithms, as well as training them in a task-driven way. We support our analysis with experimental study and we expect it to establish a solid foundation for selecting appropriate computer vision tasks that will advance the capabilities of real-world super-resolution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google