A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction

要約

リモートセンシング画像は、環境監視、農業管理、災害対応に不可欠です。
ただし、クラウドカバー、センサーの障害、または不完全な取得によるデータ損失 – 特に高解像度および高周波タスクが衛星画像の有効性を制限します。
伝統的な補間方法は、大きな欠落している領域と複雑な構造と闘っています。
リモートセンシング画像は、それぞれが明確な意味を持つ複数のバンドで構成され、バンド間で一貫性を確保することは、複合画像の異常を避けるために重要です。
このペーパーでは、Satellitemakerを提案します。これは、空間、スペクトル、および時間的一貫性を維持しながら、さまざまなレベルのデータ損失にわたって欠落データを再構築する拡散ベースの方法です。
また、デジタル標高モデル（DEM）をコンディショニング入力として提案し、テーラードプロンプトを使用して現実的な画像を生成し、定量的なリモートセンシングタスクに適用できる拡散モデルを作成します。
さらに、分布損失に基づいてVGG-ADAPTERモジュールを提案します。これにより、分布の不一致が減少し、スタイルの一貫性が確保されます。
広範な実験では、衛星メーカーが複数のタスクで最新のパフォーマンスを達成することが示されています。

要約(オリジナル)

Remote sensing imagery is essential for environmental monitoring, agricultural management, and disaster response. However, data loss due to cloud cover, sensor failures, or incomplete acquisition-especially in high-resolution and high-frequency tasks-severely limits satellite imagery’s effectiveness. Traditional interpolation methods struggle with large missing areas and complex structures. Remote sensing imagery consists of multiple bands, each with distinct meanings, and ensuring consistency across bands is critical to avoid anomalies in the combined images. This paper proposes SatelliteMaker, a diffusion-based method that reconstructs missing data across varying levels of data loss while maintaining spatial, spectral, and temporal consistency. We also propose Digital Elevation Model (DEM) as a conditioning input and use tailored prompts to generate realistic images, making diffusion models applicable to quantitative remote sensing tasks. Additionally, we propose a VGG-Adapter module based on Distribution Loss, which reduces distribution discrepancy and ensures style consistency. Extensive experiments show that SatelliteMaker achieves state-of-the-art performance across multiple tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google