論文の概要: The Galactic 3D large-scale dust distribution via Gaussian process
regression on spherical coordinates
- arxiv url: http://arxiv.org/abs/2204.11715v1
- Date: Mon, 25 Apr 2022 15:14:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 15:39:00.132412
- Title: The Galactic 3D large-scale dust distribution via Gaussian process
regression on spherical coordinates
- Title（参考訳）: 球面座標上のガウス過程回帰による銀河系3次元ダスト分布
- Authors: R. H. Leike, G. Edenhofer, J. Knollm\"uller, C. Alig, P. Frank, T. A.
En{\ss}lin
- Abstract要約: 銀河の3Dダスト分布を知ることは、星間物質の多くの過程を理解するのに重要である。
ここでは,有意義な解像度要素の数の増加とともに,銀河ダスト分布の3次元再構成を目指す。
提案した3次元ダストマップの明らかな限界にもかかわらず、復元された構造物のかなりの部分が独立したメーザー観測によって確認されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowing the Galactic 3D dust distribution is relevant for understanding many
processes in the interstellar medium and for correcting many astronomical
observations for dust absorption and emission. Here, we aim for a 3D
reconstruction of the Galactic dust distribution with an increase in the number
of meaningful resolution elements by orders of magnitude with respect to
previous reconstructions, while taking advantage of the dust's spatial
correlations to inform the dust map. We use iterative grid refinement to define
a log-normal process in spherical coordinates. This log-normal process assumes
a fixed correlation structure, which was inferred in an earlier reconstruction
of Galactic dust. Our map is informed through 111 Million data points,
combining data of PANSTARRS, 2MASS, Gaia DR2 and ALLWISE. The log-normal
process is discretized to 122 Billion degrees of freedom, a factor of 400 more
than our previous map. We derive the most probable posterior map and an
uncertainty estimate using natural gradient descent and the Fisher-Laplace
approximation. The dust reconstruction covers a quarter of the volume of our
Galaxy, with a maximum coordinate distance of $16\,\text{kpc}$, and meaningful
information can be found up to at distances of $4\,$kpc, still improving upon
our earlier map by a factor of 5 in maximal distance, of $900$ in volume, and
of about eighteen in angular grid resolution. Unfortunately, the maximum
posterior approach chosen to make the reconstruction computational affordable
introduces artifacts and reduces the accuracy of our uncertainty estimate.
Despite of the apparent limitations of the presented 3D dust map, a good part
of the reconstructed structures are confirmed by independent maser
observations. Thus, the map is a step towards reliable 3D Galactic cartography
and already can serve for a number of tasks, if used with care.
- Abstract（参考訳）: 銀河系の3dダスト分布を知ることは、星間媒質の多くの過程の理解と、塵の吸収と放出に関する多くの天文学的観測の修正に関係している。
そこで本研究では, ダストマップの空間的相関を利用して, ダストマップの空間的相関を利用して, 従来に比べて, マグニチュードな解像度要素数の増加を図りながら, ギャラクティックダスト分布の3次元再構成を目指す。
球面座標における対数正規過程を定義するために反復格子補正を用いる。
この対数正規過程は、銀河塵の初期の再構成で推定された固定相関構造を仮定している。
我々の地図は、PANSTARRS, 2MASS, Gaia DR2, ALLWISEのデータを組み合わせて、1億1100万のデータポイントを通して情報を得る。
対数正規化過程は1220億度の自由度に離散化されており、これは以前の地図よりも400倍大きい。
自然勾配降下とフィッシャー・ラプラス近似を用いた最も可能性の高い後続写像と不確実性推定を導出する。
ダストリコンストラクションは銀河の体積の4分の1をカバーし、最大座標距離は16\,\text{kpc}$であり、有意義な情報は4,$kpcまでの距離で、以前の地図では最大距離が5倍、体積が900ドル、角格子解像度が約18倍改善されている。
残念なことに、再構成を手頃な価格で行うために選択された最大後方アプローチは、アーティファクトを導入し、不確実性推定の精度を下げる。
提案した3次元ダストマップの明らかな限界にもかかわらず、復元された構造物の大部分は独立したメーザー観測によって確認されている。
したがって、地図は信頼性の高い3Dギャラクティック地図への一歩であり、もし注意を払って使うなら、すでに多くのタスクをこなすことができる。
関連論文リスト
- G2SDF: Surface Reconstruction from Explicit Gaussians with Implicit SDFs [84.07233691641193]
G2SDFはニューラル暗黙の符号付き距離場をガウススプラッティングフレームワークに統合する新しいアプローチである。
G2SDFは, 3DGSの効率を維持しつつ, 従来よりも優れた品質を実現する。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - SA-GS: Semantic-Aware Gaussian Splatting for Large Scene Reconstruction with Geometry Constrain [43.80789481557894]
セマンティック・アウェアな3Dガウス・スプラットを用いた細粒度3次元幾何再構成のためのSA-GSという新しい手法を提案する。
我々はSAMやDINOのような大きな視覚モデルに格納された事前情報を利用してセマンティックマスクを生成する。
我々は,新しい確率密度に基づく抽出法を用いて点雲を抽出し,ガウススプラッツを下流タスクに不可欠な点雲に変換する。
論文 参考訳（メタデータ） (2024-05-27T08:15:10Z) - Large-scale magnetic field maps using structured kernel interpolation
for Gaussian process regression [0.9208007322096532]
そこで本研究では,屋内環境における大規模磁場マップを計算するためのマッピングアルゴリズムを提案する。
シミュレーションでは, マッピング面積が増大する磁場マップにおいて, 現在の最先端手法よりも精度がよいことを示す。
論文 参考訳（メタデータ） (2023-10-25T11:58:18Z) - Contour Context: Abstract Structural Distribution for 3D LiDAR Loop
Detection and Metric Pose Estimation [31.968749056155467]
本稿では,高精度な3DoF距離ポーズ推定を用いた簡易かつ効果的かつ効率的なトポロジカルループ閉包検出パイプラインを提案する。
我々は,3次元LiDAR点から投影されるBEV像を構造層分布として解釈する。
検索キーは、層状KD木でインデックスされたデータベースの検索を高速化するように設計されている。
論文 参考訳（メタデータ） (2023-02-13T07:18:24Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳（メタデータ） (2022-11-30T06:02:01Z) - SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth
Sampling [75.957103837167]
1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。
既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
論文 参考訳（メタデータ） (2022-08-14T16:37:51Z) - Probabilistic Mass Mapping with Neural Score Estimation [4.079848600120986]
弱レンズ質量マッピング問題の高次元ベイズ後方の効率的なサンプリング法を提案する。
本手法の精度をシミュレーションで実証し,HST/ACS COSMOSフィールドの大量再構成に適用する。
論文 参考訳（メタデータ） (2022-01-14T17:07:48Z) - Point Cloud Upsampling via Disentangled Refinement [86.3641957163818]
3Dスキャンによって生成された点雲は、しばしばスパース、非均一、ノイズである。
近年のアップサンプリング手法は, 分布均一性と近接場を両立させながら, 密度の高い点集合を生成することを目的としている。
2つのカスケードサブネットワーク、高密度ジェネレータ、空間精錬器を定式化する。
論文 参考訳（メタデータ） (2021-06-09T02:58:42Z) - Geodesic-HOF: 3D Reconstruction Without Cutting Corners [42.4960665928525]
シングルビュー3Dオブジェクト再構成は、コンピュータビジョンの難しい根本的な問題である。
標準サンプリング領域から高次元空間への画像条件付き写像関数を学習する。
この学習された測地線埋め込み空間は、教師なしオブジェクト分解のようなアプリケーションに有用な情報を提供する。
論文 参考訳（メタデータ） (2020-06-14T18:59:06Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳（メタデータ） (2020-02-24T14:13:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。