論文の概要: CuMoLoS-MAE: A Masked Autoencoder for Remote Sensing Data Reconstruction

• arxiv url: http://arxiv.org/abs/2508.14957v1
• Date: Wed, 20 Aug 2025 16:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.048238
• Title: CuMoLoS-MAE: A Masked Autoencoder for Remote Sensing Data Reconstruction
• Title（参考訳）: CuMoLoS-MAE:リモートセンシングデータ再構成のためのマスク付きオートエンコーダ
• Authors: Anurup Naskar, Nathanael Zhixin Wong, Sara Shamekh,
• Abstract要約: 本報告では,CuMoLoS-MAE(Culriculum-Guided Monte Carlo Ensemble Masked Autoencoder)について述べる。 アップドラフトやダウンドラフトコア、せん断線、小さな渦などの微細な特徴を復元する。 また、大気圏上のデータ駆動の事前学習も行い、画素単位の不確実性を定量化する。
• 参考スコア（独自算出の注目度）: 0.7373617024876725
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate atmospheric profiles from remote sensing instruments such as Doppler Lidar, Radar, and radiometers are frequently corrupted by low-SNR (Signal to Noise Ratio) gates, range folding, and spurious discontinuities. Traditional gap filling blurs fine-scale structures, whereas deep models lack confidence estimates. We present CuMoLoS-MAE, a Curriculum-Guided Monte Carlo Stochastic Ensemble Masked Autoencoder designed to (i) restore fine-scale features such as updraft and downdraft cores, shear lines, and small vortices, (ii) learn a data-driven prior over atmospheric fields, and (iii) quantify pixel-wise uncertainty. During training, CuMoLoS-MAE employs a mask-ratio curriculum that forces a ViT decoder to reconstruct from progressively sparser context. At inference, we approximate the posterior predictive by Monte Carlo over random mask realisations, evaluating the MAE multiple times and aggregating the outputs to obtain the posterior predictive mean reconstruction together with a finely resolved per-pixel uncertainty map. Together with high-fidelity reconstruction, this novel deep learning-based workflow enables enhanced convection diagnostics, supports real-time data assimilation, and improves long-term climate reanalysis.
• Abstract（参考訳）: ドップラーライダー、レーダー、ラジオメータなどのリモートセンシング機器からの正確な大気プロファイルは、低SNRゲート、レンジフォールディング、急激な不連続によって頻繁に破損する。 従来のギャップフィリングは微細な構造を曖昧にしますが、深いモデルは信頼性の見積を欠いています。 計算誘導型モンテカルロ確率アンサンブルマスクオートエンコーダCuMoLoS-MAEについて述べる。 一 アップドラフト、ダウンドラフトコア、せん断線、小渦等の微細な特徴を復元すること。 二 大気圏上におけるデータ駆動の事前学習、及び (iii)画素ワイド不確実性を定量化する。 トレーニング中、CuMoLoS-MAEはマスク比のカリキュラムを使用して、ViTデコーダを徐々にスパサーのコンテキストから再構築させる。 推定では,モンテカルロによるランダムマスクの実測値よりも後方予測を近似し,複数回MAEを評価し,出力を集約し,微妙に解決された画素ごとの不確実性マップとともに後方予測平均再構成を求める。 高忠実度再構築とともに、この新たなディープラーニングベースのワークフローは、対流診断の強化、リアルタイムデータ同化のサポート、長期的気候再分析の改善を可能にする。

関連論文リスト

• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• FLRONet: Deep Operator Learning for High-Fidelity Fluid Flow Field Reconstruction from Sparse Sensor Measurements [0.0]
  本研究では,スパースセンサによる流体流れ場再構築のための深層演算子学習フレームワークであるFLRONetを紹介する。 FLRONetは、センサ測定が不正確な場合や欠落の場合であっても、高いレベルの再現精度と堅牢性を達成する。
  論文  参考訳（メタデータ） (2024-12-11T01:28:48Z)
• Multi-scale Restoration of Missing Data in Optical Time-series Images with Masked Spatial-Temporal Attention Network [0.6675733925327885]
  リモートセンシング画像に欠落した値を出力する既存の方法は、補助情報を完全に活用できない。 本稿では,時系列リモートセンシング画像の再構成のためのMS2という,深層学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T09:05:05Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Deep learning-based deconvolution for interferometric radio transient reconstruction [0.39259415717754914]
  LOFAR、MeerKAT/SKA、ASKAP/SKA、そして将来のSKA-LOWのような電波天文学施設は、時間と周波数に大きな感度をもたらす。 これらの施設は、自然によって揮発し、データに検出または見逃される無線過渡現象の高度な研究を可能にする。 これらのトランジェントは、電子の高エネルギー加速のマーカーであり、幅広い時間スケールで表される。
  論文  参考訳（メタデータ） (2023-06-24T08:58:52Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)

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。