論文の概要: Enhancing Image Resolution of Solar Magnetograms: A Latent Diffusion Model Approach

• arxiv url: http://arxiv.org/abs/2503.24271v1
• Date: Mon, 31 Mar 2025 16:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:32:30.702174
• Title: Enhancing Image Resolution of Solar Magnetograms: A Latent Diffusion Model Approach
• Title（参考訳）: 太陽磁気図画像の高分解能化:潜時拡散モデルによるアプローチ
• Authors: Francesco Pio Ramunno, Paolo Massa, Vitaliy Kinakh, Brandon Panos, André Csillaghy, Slava Voloshynovskiy,
• Abstract要約: 超解法のための新しい拡散モデル手法を提案する。 ヘリオサイスミック・磁気画像装置(HMI)の高分解能に合わせるためにMDI磁図に適用する。 再建画像の品質を古典的指標を用いて評価する。
• 参考スコア（独自算出の注目度）: 3.3965609107402894
• License:
• Abstract: The spatial properties of the solar magnetic field are crucial to decoding the physical processes in the solar interior and their interplanetary effects. However, observations from older instruments, such as the Michelson Doppler Imager (MDI), have limited spatial or temporal resolution, which hinders the ability to study small-scale solar features in detail. Super resolving these older datasets is essential for uniform analysis across different solar cycles, enabling better characterization of solar flares, active regions, and magnetic network dynamics. In this work, we introduce a novel diffusion model approach for Super-Resolution and we apply it to MDI magnetograms to match the higher-resolution capabilities of the Helioseismic and Magnetic Imager (HMI). By training a Latent Diffusion Model (LDM) with residuals on downscaled HMI data and fine-tuning it with paired MDI/HMI data, we can enhance the resolution of MDI observations from 2"/pixel to 0.5"/pixel. We evaluate the quality of the reconstructed images by means of classical metrics (e.g., PSNR, SSIM, FID and LPIPS) and we check if physical properties, such as the unsigned magnetic flux or the size of an active region, are preserved. We compare our model with different variations of LDM and Denoising Diffusion Probabilistic models (DDPMs), but also with two deterministic architectures already used in the past for performing the Super-Resolution task. Furthermore, we show with an analysis in the Fourier domain that the LDM with residuals can resolve features smaller than 2", and due to the probabilistic nature of the LDM, we can asses their reliability, in contrast with the deterministic models. Future studies aim to super-resolve the temporal scale of the solar MDI instrument so that we can also have a better overview of the dynamics of the old events.
• Abstract（参考訳）: 太陽磁場の空間的性質は、太陽内部の物理過程と惑星間効果の復号に不可欠である。 しかし、Michelson Doppler Imager (MDI)のような古い機器からの観測は、空間分解能や時間分解能が限られており、小さな太陽の特徴を詳細に研究することができない。 これらの古いデータセットの超解法は、太陽の周期を均一に分析するために不可欠であり、太陽フレア、活動領域、磁気ネットワークのダイナミクスのより良い評価を可能にしている。 本稿では, ヘリオサイスミック・磁気画像装置(HMI)の高分解能化を実現するため, MDIマグネトグラムに適用する。 ダウンスケールHMIデータに残差を付加した潜在拡散モデル(LDM)をトレーニングし,MDI/HMIデータと組み合わせて微調整することにより,MDI観測の解像度を2インチ/ピクセルから0.5インチ/ピクセルに高めることができる。 再建画像の品質を古典的指標(PSNR, SSIM, FID, LPIPS)を用いて評価し, 符号なし磁束や活動領域の大きさなどの物理的特性が保存されているかどうかを確認する。 提案手法は, LDM と Denoising Diffusion Probabilistic Model (DDPM) の違いに加えて, 過去の超解法処理にはすでに2つの決定論的アーキテクチャを用いている。 さらに,残差を持つLCMが2より小さい特徴を解くことができることをフーリエ領域で分析し,LCMの確率的性質から,決定論的モデルとは対照的に信頼性を評価することができることを示した。 将来の研究は、太陽MDI機器の時間スケールを超解き、古い事象のダイナミクスをよりよく概観することを目的としている。

関連論文リスト

• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• Surface Flux Transport Modeling using Physics Informed Neural Networks [0.0]
  表面フラックス輸送(SFT)モデリングは、太陽表面の磁束の輸送と進化をシミュレートし、解析するのに役立つ。 本研究では,磁束輸送の解法における機械学習の応用を実証し,その精度を検証した。 SFTを用いたバイポーラ磁気領域(BMR)の進化を研究するための新しい物理情報ニューラルネットワーク(PINN)モデルを開発した。
  論文  参考訳（メタデータ） (2024-09-03T09:41:07Z)
• Magnetogram-to-Magnetogram: Generative Forecasting of Solar Evolution [0.0]
  DDPM(Denoising Diffusion Probabilistic Models)を用いた画像と画像の変換による視線(LoS)磁気グラムの進化予測手法を提案する。 提案手法は,画像品質の「計算機科学メトリクス」と物理精度の「物理メトリクス」を組み合わせて,モデル性能の評価を行う。 その結果, DDPMは, 太陽磁場の動的範囲, 磁束, 活動領域の大きさなどの物理的特徴の維持に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-16T12:28:10Z)
• Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
  臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。 スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。 現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
  論文  参考訳（メタデータ） (2024-06-10T02:20:26Z)
• Super-Resolution of SOHO/MDI Magnetograms of Solar Active Regions Using SDO/HMI Data and an Attention-Aided Convolutional Neural Network [4.746722440828454]
  太陽画像超解像のための注意支援畳み込みニューラルネットワーク(CNN)を提案する。 太陽・ヘリオスフェア天文台(SOHO)に搭載されたミッチェルソンドップラー・イメージラー(MDI)によって収集された太陽活動領域(AR)の視線磁図の質を高めることを目的として,SolarCNNと名付けられた手法を開発した。 実験結果から、SolarCNNは構造類似度指数測定(SSIM)、ピアソン相関係数(PCC)、ピーク信号-雑音比(PSNR)の観点からSOHO/MDI磁気グラムの品質を向上させることが示された。
  論文  参考訳（メタデータ） (2024-03-27T06:58:01Z)
• 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)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• 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)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• Learning Latent Space Energy-Based Prior Model [118.86447805707094]
  我々はジェネレータモデルの潜在空間でエネルギーベースモデル(EBM)を学習する。 学習したモデルが画像やテキストの生成や異常検出の点で強い性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-06-15T08:11:58Z)

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。