End-to-End Framework for Continuous Space-Time Super-Resolution on Remote Sensing
| Autor: | Gutiérrez Gómez, Cristian, Universitat Autònoma de Barcelona. Escola d'Enginyeria |
|---|---|
| Přispěvatelé: | Lumbreras Ruiz, Felipe |
| Jazyk: | angličtina |
| Rok vydání: | 2023 |
| Předmět: |
Remote Sensing
Local Implicit Image Function (LIIF) Temporal Interpolation Representació Neuronal Implícita Representación Neuronal Implícita Space-Time Continuous Super-Resolution Super-Resolución Continua Espacial-Temporal Super-Resolució Contínua Espacial-Temporal Interpolació Temporal Implicit Neural Representation Interpolación Temporal |
| Popis: | In Remote Sensing, much effort has been dedicated to the Super-Resolution field to overcome physical sensors limitations, and Deep Learning has vastly surpassed Interpolation and Reconstruction based methods. Spatial and multi-spectral based methods are commonly pre-dominant in the field, and, motivated by the recent success stories of 3D spatial modeling with Implicit Neural Representation, new continuous image modeling methods are appearing. In this present work, we take advantage of already existing spatial and spectral techniques and continuous image representation with Local Implicit Image Function (LIIF) by adding the Temporal dimension into the problem, leaning towards a continuous interpolation model of space and time as a first approximation to the total modelization. Code available at https://github.com/ggcr/Super-Temporal-LIIF Al Remote Sensing, s'han dedicat molts esforços al l'àrea de la Super-Resolució per superar les limitacions físiques dels sensors, i el Deep Learning ha superat àmpliament els mètodes basats en Interpolació i Reconstrucció. Mètodes espacials i multi-espectrals són predominants en aquest camp i, motivats pels casos d'èxit recents del modelatge espacial 3D amb Representació Neuronal implícita, estan apareixent nous mètodes de modelització continua aplicats en imatges. En aquest treball, aprofitem les tècniques espacials i espectrals ja existents i la representació contínua d'imatges amb Local Implicit Image Function (LIIF) afegint la dimensió Temporal al problema, resultant en un model d'interpolació contínua d'espai i temps com a una primera aproximació a la modelització total. Codi disponible a https://github.com/ggcr/Super-Temporal-LIIF En Remote Sensing, se han dedicado muchos esfuerzos al área de la Super-Resolución para superar las limitaciones físicas de los sensores, y el Deep Learning ha superado ampliamente los métodos basados en Interpolación y Reconstrucción. Métodos espaciales y multi-espectrales son predominantes en este campo y, motivados por los casos de éxito recientes del modelado espacial 3D con Representación Neuronal implícita, están apareciendo nuevos métodos de modelización continua aplicados en imágenes. En este trabajo, aprovechamos las técnicas espaciales y espectrales ya existentes y la representación continua de imágenes con Local Implicit Image Function (LIIF) añadiendo la dimensión Temporal al problema, resultando en un modelo de interpolación continua de espacio y tiempo como una primera aproximación a la modelización total. Código disponible en https://github.com/ggcr/Super-Temporal-LIIF |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|