論文の概要: A Comparative Study on Generative Models for High Resolution Solar Observation Imaging

• arxiv url: http://arxiv.org/abs/2304.07169v1
• Date: Fri, 14 Apr 2023 14:40:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 13:19:40.073555
• Title: A Comparative Study on Generative Models for High Resolution Solar Observation Imaging
• Title（参考訳）: 高分解能太陽観測イメージングのための生成モデルの比較研究
• Authors: Mehdi Cherti, Alexander Czernik, Stefan Kesselheim, Frederic Effenberger, Jenia Jitsev
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.372588316558826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar activity is one of the main drivers of variability in our solar system and the key source of space weather phenomena that affect Earth and near Earth space. The extensive record of high resolution extreme ultraviolet (EUV) observations from the Solar Dynamics Observatory (SDO) offers an unprecedented, very large dataset of solar images. In this work, we make use of this comprehensive dataset to investigate capabilities of current state-of-the-art generative models to accurately capture the data distribution behind the observed solar activity states. Starting from StyleGAN-based methods, we uncover severe deficits of this model family in handling fine-scale details of solar images when training on high resolution samples, contrary to training on natural face images. When switching to the diffusion based generative model family, we observe strong improvements of fine-scale detail generation. For the GAN family, we are able to achieve similar improvements in fine-scale generation when turning to ProjectedGANs, which uses multi-scale discriminators with a pre-trained frozen feature extractor. We conduct ablation studies to clarify mechanisms responsible for proper fine-scale handling. Using distributed training on supercomputers, we are able to train generative models for up to 1024x1024 resolution that produce high quality samples indistinguishable to human experts, as suggested by the evaluation we conduct. We make all code, models and workflows used in this study publicly available at \url{https://github.com/SLAMPAI/generative-models-for-highres-solar-images}.
• Abstract（参考訳）: 太陽活動は、我々の太陽系における変動の主な要因の1つであり、地球や地球近傍に影響を及ぼす宇宙気象現象の重要な原因である。 太陽ダイナミクス観測所(SDO)による高分解能極紫外(EUV)観測の広範な記録は、前例のない非常に大きな太陽画像のデータセットを提供する。 本研究では、この包括的なデータセットを用いて、現在最先端の生成モデルの能力を調査し、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把握する。 スタイルガンに基づく手法から, 自然顔画像のトレーニングとは対照的に, 高分解能サンプルのトレーニングにおいて, 太陽画像の細部の詳細を扱う上で, このモデルファミリーの深刻な欠陥を明らかにする。 拡散に基づく生成モデルファミリに切り替える際、我々は細部生成の大幅な改善を観察する。 GANファミリーでは、予め訓練された凍結特徴抽出器を備えたマルチスケール識別器であるProjectedGANsに切り替える際に、同様の改善が達成できる。 我々は,適切な微細なハンドリングのメカニズムを明らかにするため,アブレーション研究を行う。 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、評価によって示唆されるように、高画質のサンプルを生成する1024×1024解像度の生成モデルを訓練することができる。 この研究で使用されるすべてのコード、モデル、ワークフローは、 \url{https://github.com/slampai/generative-models-for-highres-solar-images} で公開されている。

関連論文リスト

• 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)
• Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
  ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線 本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。 提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
  論文  参考訳（メタデータ） (2024-02-15T18:59:18Z)
• High-Cadence Thermospheric Density Estimation enabled by Machine Learning on Solar Imagery [0.14061979259370275]
  我々は、NASAのソーラー・ダイナミクス・オブザーバ(SDO)極紫外線(EUV)スペクトル画像をニューラル熱圏密度モデルに組み込む。 我々は、EUV画像により、時間分解能をはるかに高め、地上ベースのプロキシを置き換えることができることを示した。
  論文  参考訳（メタデータ） (2023-11-12T23:39:21Z)
• Sky-image-based solar forecasting using deep learning with multi-location data: training models locally, globally or via transfer learning? [0.0]
  ディープラーニングモデルをトレーニングする上で最大の課題のひとつは、ラベル付きデータセットの可用性だ。 近年、ますます多くの天空画像データセットがオープンソース化され、正確で信頼性の高い太陽予測手法の開発は、大きな成長の可能性を秘めている。
  論文  参考訳（メタデータ） (2022-11-03T19:25:28Z)
• 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)
• InvGAN: Invertible GANs [88.58338626299837]
  InvGANはInvertible GANの略で、高品質な生成モデルの潜在空間に実際の画像を埋め込むことに成功した。 これにより、画像のインペイント、マージ、オンラインデータ拡張を実行できます。
  論文  参考訳（メタデータ） (2021-12-08T21:39:00Z)
• Toward Foundation Models for Earth Monitoring: Proposal for a Climate Change Benchmark [95.19070157520633]
  近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。 基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。 気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:38:19Z)
• Benchmarking of Deep Learning Irradiance Forecasting Models from Sky Images -- an in-depth Analysis [0.0]
  我々は4つのよく使われるディープラーニングアーキテクチャを訓練し、半球空画像のシーケンスから太陽の照度を予測する。 その結果、時間的側面の符号化は予測を大幅に改善し、10分予測スキルはテスト年度で20.4%に達した。 一般的なセットアップでは、ディープラーニングモデルは"非常にスマートな永続化モデル"のように振る舞う傾向があり、永続モデルと時間的に一致し、最もペナルティの高いエラーを軽減します。
  論文  参考訳（メタデータ） (2021-02-01T09:31:14Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Predicting Landsat Reflectance with Deep Generative Fusion [2.867517731896504]
  公共の衛星ミッションは一般に、空間分解能と時間分解能のトレードオフに結びついている。 これにより、植生の監視や人道的行動を支援する能力が損なわれる。 空間的・時間的特性の異なる製品を融合させて高解像度の光学画像を生成するための深部生成モデルの可能性を探る。
  論文  参考訳（メタデータ） (2020-11-09T21:06:04Z)

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。