論文の概要: Astrophotography turbulence mitigation via generative models

• arxiv url: http://arxiv.org/abs/2506.02981v1
• Date: Tue, 03 Jun 2025 15:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.812376
• Title: Astrophotography turbulence mitigation via generative models
• Title（参考訳）: 生成モデルによる天体写真乱流の緩和
• Authors: Joonyeoup Kim, Yu Yuan, Xingguang Zhang, Xijun Wang, Stanley Chan,
• Abstract要約: 地上の望遠鏡が捉えたほとんどの天体画像は大気の乱れに悩まされ、画質が劣化した。 AstroDiffは,大気乱流を緩和するために,高品質な生成先行と拡散モデルの復元機能の両方を活用する生成復元法である。
• 参考スコア（独自算出の注目度）: 3.435619322951694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photography is the cornerstone of modern astronomical and space research. However, most astronomical images captured by ground-based telescopes suffer from atmospheric turbulence, resulting in degraded imaging quality. While multi-frame strategies like lucky imaging can mitigate some effects, they involve intensive data acquisition and complex manual processing. In this paper, we propose AstroDiff, a generative restoration method that leverages both the high-quality generative priors and restoration capabilities of diffusion models to mitigate atmospheric turbulence. Extensive experiments demonstrate that AstroDiff outperforms existing state-of-the-art learning-based methods in astronomical image turbulence mitigation, providing higher perceptual quality and better structural fidelity under severe turbulence conditions. Our code and additional results are available at https://web-six-kappa-66.vercel.app/
• Abstract（参考訳）: 写真は現代の天文学と宇宙研究の基礎である。 しかし、地上の望遠鏡が捉えたほとんどの天体画像は大気の乱れに悩まされ、画質が劣化した。 ラッキーイメージングのようなマルチフレーム戦略は、いくつかの効果を軽減することができるが、それらは集中的なデータ取得と複雑な手作業処理を含む。 本稿では,大気の乱流を緩和するために,高品質な生成先行と拡散モデルの復元機能を利用する生成復元手法であるAstroDiffを提案する。 広汎な実験により、AstroDiffは天文学的な画像乱流の緩和において既存の最先端の学習手法よりも優れており、重い乱流条件下での知覚的品質と構造的忠実性を向上させることが示されている。 私たちのコードと追加の結果はhttps://web-six-kappa-66.vercel.app/で公開されています。

関連論文リスト

• AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
  本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。 擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。 このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-04-17T17:57:05Z)
• AstroClearNet: Deep image prior for multi-frame astronomical image restoration [1.2289361708127877]
  地上天文学は複数の露光を組み合わせ、信号と雑音の比を高める。 深層画像の先行画像に基づく自己教師型マルチフレーム手法を提案する。 提案手法は,ハイパー・サプライム・カム露光処理により,よりシャープに復元された画像で有望な予備結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-04-08T22:07:00Z)
• DIPLI: Deep Image Prior Lucky Imaging for Blind Astronomical Image Restoration [2.7523980737007414]
  アストロフォトグラフィーは、訓練データに制限があるため、ディープラーニングに固有の課題を提示する。 この研究は、ブラインドトレーニングを促進するが過度に適合する可能性のあるDeep Image Prior(DIP)モデルのようなハイブリッド戦略を探求する。 本稿では,DIPモデルのベースライン性能を改良する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-20T09:33:16Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
  大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。 深層学習に基づく大気乱流緩和法が文献で提案されている。 様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
  論文  参考訳（メタデータ） (2022-04-19T16:21:36Z)
• Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
  このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。 乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T15:25:08Z)

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。