論文の概要: Exploring the Limits of Synthetic Creation of Solar EUV Images via Image-to-Image Translation

• arxiv url: http://arxiv.org/abs/2208.09512v1
• Date: Fri, 19 Aug 2022 18:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 12:53:37.210658
• Title: Exploring the Limits of Synthetic Creation of Solar EUV Images via Image-to-Image Translation
• Title（参考訳）: 太陽型EUV画像の画像間変換による合成創造限界の探索
• Authors: Valentina Salvatelli, Luiz F. G. dos Santos, Souvik Bose, Brad Neuberg, Mark C. M. Cheung, Miho Janvier, Meng Jin, Yarin Gal, Atilim Gunes Baydin
• Abstract要約: ソーラー・ダイナミクス・オブザーバトリー(SDO)は、太陽からテラバイト単位の観測データを毎日生成している。 画像から画像への変換を用いて、極端紫外線チャネルを仮想的に生成するというアイデアは、近年、いくつかの研究で提案されている。 本稿では,4つのチャネルの置換とエンコーダ・デコーダに基づくアーキテクチャに着目し,このような深層学習手法の可能性と限界について検討する。
• 参考スコア（独自算出の注目度）: 24.21750759187231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Solar Dynamics Observatory (SDO), a NASA multi-spectral decade-long mission that has been daily producing terabytes of observational data from the Sun, has been recently used as a use-case to demonstrate the potential of machine learning methodologies and to pave the way for future deep-space mission planning. In particular, the idea of using image-to-image translation to virtually produce extreme ultra-violet channels has been proposed in several recent studies, as a way to both enhance missions with less available channels and to alleviate the challenges due to the low downlink rate in deep space. This paper investigates the potential and the limitations of such a deep learning approach by focusing on the permutation of four channels and an encoder--decoder based architecture, with particular attention to how morphological traits and brightness of the solar surface affect the neural network predictions. In this work we want to answer the question: can synthetic images of the solar corona produced via image-to-image translation be used for scientific studies of the Sun? The analysis highlights that the neural network produces high-quality images over three orders of magnitude in count rate (pixel intensity) and can generally reproduce the covariance across channels within a 1% error. However the model performance drastically diminishes in correspondence of extremely high energetic events like flares, and we argue that the reason is related to the rareness of such events posing a challenge to model training.
• Abstract（参考訳）: 太陽からテラバイト単位の観測データを毎日生成しているnasaの多スペクトル10年にわたるミッションであるsolar dynamics observatory(sdo)は、先日、機械学習手法の可能性を実証し、将来の深宇宙ミッション計画への道を開くために利用された。 特に、極端紫外チャネルを仮想的に生成するために画像と画像の翻訳を用いるという考え方は、より少ないチャネルでのミッションの強化と、深宇宙における低ダウンリンク率による課題の軽減の両方を目的として、最近の研究で提案されている。 本稿では,4つのチャネルの置換とエンコーダ・デコーダに基づくアーキテクチャ,特に,太陽表面の形態的特徴と明るさがニューラルネットワークの予測にどのような影響を及ぼすかに注目して,ディープラーニングアプローチの可能性と限界について検討する。 画像から画像への変換によって生成された太陽コロナの合成画像は、太陽の科学的研究に使用できるのだろうか? 分析では、ニューラルネットワークが3桁のカウントレート(ピクセル強度)で高品質な画像を生成し、1%の誤差でチャネル間の共分散を再現できることが強調された。 しかし, モデル性能は, フレアのような極めて高エネルギーなイベントに対応して大幅に低下し, モデルトレーニングに挑戦するイベントの希少性に関係していると考えられる。

関連論文リスト

• SaccadeDet: A Novel Dual-Stage Architecture for Rapid and Accurate Detection in Gigapixel Images [50.742420049839474]
  SaccadeDetは、人間の目の動きにインスパイアされた、ギガピクセルレベルの物体検出のための革新的なアーキテクチャである。 PANDAデータセットを用いて評価した本手法は,最先端手法の8倍の高速化を実現する。 また、全スライドイメージングへの応用を通じて、ギガピクセルレベルの病理解析に有意な可能性を示す。
  論文  参考訳（メタデータ） (2024-07-25T11:22:54Z)
• Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
  本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。 SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。 DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2024-04-03T08:18:45Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Unsupervised Discovery of Semantic Concepts in Satellite Imagery with Style-based Wavelet-driven Generative Models [27.62417543307831]
  本稿では,衛星画像の広帯域合成が可能な,最初の事前学習型およびウェーブレット型GANモデルを提案する。 ネットワークの中間的アクティベーションを解析することにより、解釈可能なセマンティックな方向を多数発見できることが示される。
  論文  参考訳（メタデータ） (2022-08-03T14:19:24Z)
• Sat-NeRF: Learning Multi-View Satellite Photogrammetry With Transient Objects and Shadow Modeling Using RPC Cameras [10.269997499911668]
  サテライトニューラルレージアンスフィールド(Sat-NeRF)は,野生のマルチビュー衛星写真グラムを学習するための新しいエンドツーエンドモデルである。 Sat-NeRFは、ニューラルレンダリングの最新トレンドとネイティブ衛星カメラモデルを組み合わせたものだ。 我々は,異なる場所からのWorldView-3画像を用いてSat-NeRFを評価し,衛星カメラモデルにバンドル調整を適用する利点を強調した。
  論文  参考訳（メタデータ） (2022-03-16T19:18:46Z)
• Learning Generative Vision Transformer with Energy-Based Latent Space for Saliency Prediction [51.80191416661064]
  本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。 ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
  論文  参考訳（メタデータ） (2021-12-27T06:04:33Z)
• A Trainable Spectral-Spatial Sparse Coding Model for Hyperspectral Image Restoration [36.525810477650026]
  ハイパースペクトルイメージングは様々な用途に新しい視点を提供する。 地上に正確な「クリーン」ハイパースペクトル信号がないため、修復作業は困難である。 本稿では、疎結合な符号化原理に基づくハイブリッドアプローチを提唱する。
  論文  参考訳（メタデータ） (2021-11-18T14:16:04Z)

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。