用于卫星图像生成的条件渐进式生成对抗网络
计算机视觉与模式识别
2022-11-29 v1 机器学习
摘要
图像生成和图像补全正迅速发展，这得益于能够逼真地替换缺失像素的机器学习算法。然而，生成具有大量细节的大尺寸高分辨率图像，带来了显著的计算挑战。在这项工作中，我们将图像生成任务形式化为补全一个缺失了四分之一角的图像。然后，我们将此方法扩展，以迭代方式构建具有相同细节水平的大尺寸图像。我们的目标是获得一种可扩展的方法，用于生成通常在卫星影像数据集中发现的高分辨率样本。我们引入了一种条件渐进式生成对抗网络（GAN），该网络使用由Wasserstein自编码器编码到潜在向量中的三个初始相邻图块作为输入，来生成图像中缺失的图块。我们专注于联合国卫星中心（UNOSAT）用于训练洪水检测工具的一组图像，并在一个真实的设置中验证了合成图像的质量。
引用
@article{arxiv.2211.15303,
title = {Conditional Progressive Generative Adversarial Network for satellite image generation},
author = {Renato Cardoso and Sofia Vallecorsa and Edoardo Nemni},
journal= {arXiv preprint arXiv:2211.15303},
year = {2022}
}
备注
Published at the SyntheticData4ML Neurips workshop