要約
最近の進歩は、深層ニューラルネットワークが低解像度画像のマルチテンポラル集合から高解像度のリモートセンシング画像を生成する際に非常に効果的であることを示しています。しかし、既存のモデルでは、時間順序がスーパーレゾリューションタスクに無関係な情報であり、訓練用のしばしば限られた真値データに対してこれらのモデルが非効率的になるという問題が軽視されてきました。したがって、モデルは時間順序に依存する特徴抽出器を学習すべきではありません。本論文では、完全に時間順序不変性を持つモデルを構築することで性能とデータ効率が大幅に向上することを示します。さらに、スーパーレゾリューション画像の不確実性を定量的に評価し、最終ユーザーが製品の局所品質について知らされるようにする方法について研究します。私たちは、不確実性が時系列内の時間変動と相関していることを示し、それを定量化することでモデル性能がさらに向上することも示します。Proba-Vチャレンジデータセットでの実験結果は、自己アンサンブルなしで既存手法よりも大幅な改善が見られることを示しており、また訓練データ量を25%に削減してもチャレンジ優勝者の性能に匹敵することが確認されました。