Diffusion Models for Interferometric Satellite Aperture Radar

要約

確率的拡散モデル (PDM) は、自然な画像生成において高いパフォーマンスを達成する、非常に有望なクラスの生成モデルとして最近登場しました。
ただし、レーダーベースの衛星データなど、非自然画像に対するそのパフォーマンスはほとんど知られていないままです。
大量の合成 (特にラベル付き) 衛星データを生成することは、(干渉) 衛星開口レーダー データの処理と分析のための深層学習アプローチを実装するために重要です。
ここでは、PDM を活用して、レーダーベースの衛星画像データセットをいくつか生成します。
我々は、PDM が複雑で現実的な構造を持つ画像の生成に成功しているが、サンプリング時間に問題が残っていることを示します。
実際、加速サンプリング戦略は、MNIST のような単純な画像データセットではうまく機能しますが、レーダー データセットでは機能しません。
単一の GPU 上の任意のデータセットを使用して PDM をトレーニング、サンプリング、評価するための、シンプルで多用途のオープンソース https://github.com/thomaskerdreux/PDM_SAR_InSAR_generation を提供します。

要約(オリジナル)

Probabilistic Diffusion Models (PDMs) have recently emerged as a very promising class of generative models, achieving high performance in natural image generation. However, their performance relative to non-natural images, like radar-based satellite data, remains largely unknown. Generating large amounts of synthetic (and especially labelled) satellite data is crucial to implement deep-learning approaches for the processing and analysis of (interferometric) satellite aperture radar data. Here, we leverage PDMs to generate several radar-based satellite image datasets. We show that PDMs succeed in generating images with complex and realistic structures, but that sampling time remains an issue. Indeed, accelerated sampling strategies, which work well on simple image datasets like MNIST, fail on our radar datasets. We provide a simple and versatile open-source https://github.com/thomaskerdreux/PDM_SAR_InSAR_generation to train, sample and evaluate PDMs using any dataset on a single GPU.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google