論文の概要: Through-Foliage Surface-Temperature Reconstruction for early Wildfire Detection

• arxiv url: http://arxiv.org/abs/2511.12572v1
• Date: Sun, 16 Nov 2025 12:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.381975
• Title: Through-Foliage Surface-Temperature Reconstruction for early Wildfire Detection
• Title（参考訳）: 早期の山火事検出のための表面温度復元
• Authors: Mohamed Youssef, Lukas Brunner, Klaus Rundhammer, Gerald Czech, Oliver Bimber,
• Abstract要約: 本稿では,信号処理と機械学習を組み合わせることで,森林植生を排除し,地表温度を復元する新しい手法を提案する。 私たちの目標は、無人ドローンによる完全自動空中火災監視を可能にすることです。
• 参考スコア（独自算出の注目度）: 0.8699280339422538
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce a novel method for reconstructing surface temperatures through occluding forest vegetation by combining signal processing and machine learning. Our goal is to enable fully automated aerial wildfire monitoring using autonomous drones, allowing for the early detection of ground fires before smoke or flames are visible. While synthetic aperture (SA) sensing mitigates occlusion from the canopy and sunlight, it introduces thermal blur that obscures the actual surface temperatures. To address this, we train a visual state space model to recover the subtle thermal signals of partially occluded soil and fire hotspots from this blurred data. A key challenge was the scarcity of real-world training data. We overcome this by integrating a latent diffusion model into a vector quantized to generated a large volume of realistic surface temperature simulations from real wildfire recordings, which we further expanded through temperature augmentation and procedural thermal forest simulation. On simulated data across varied ambient and surface temperatures, forest densities, and sunlight conditions, our method reduced the RMSE by a factor of 2 to 2.5 compared to conventional thermal and uncorrected SA imaging. In field experiments focused on high-temperature hotspots, the improvement was even more significant, with a 12.8-fold RMSE gain over conventional thermal and a 2.6-fold gain over uncorrected SA images. We also demonstrate our model's generalization to other thermal signals, such as human signatures for search and rescue. Since simple thresholding is frequently inadequate for detecting subtle thermal signals, the morphological characteristics are equally essential for accurate classification. Our experiments demonstrated another clear advantage: we reconstructed the complete morphology of fire and human signatures, whereas conventional imaging is defeated by partial occlusion.
• Abstract（参考訳）: 本稿では,信号処理と機械学習を組み合わせることで,森林植生を排除し,地表温度を復元する新しい手法を提案する。 私たちの目標は、自律ドローンによる完全自動空中火災監視を可能にすることで、煙や炎が見える前に地上火災を早期に検出できるようにすることです。 合成開口(SA)センサーは、天蓋と日光からの閉塞を緩和する一方で、実際の表面温度を曖昧にする熱ぼけを導入する。 これを解決するために、我々は視覚状態空間モデルを訓練し、部分的に隠された土壌の熱信号を復元し、このぼやけたデータからホットスポットを点火する。 重要な課題は、現実世界のトレーニングデータの不足だった。 実山火事記録から大量の実地表面温度シミュレーションを生成するために量子化されたベクトルに潜伏拡散モデルを統合することでこれを克服する。 環境, 表面温度, 森林密度, 日光条件のシミュレーションデータについて, 従来の熱・非補正SA画像と比較してRMSEを2～2.5倍削減した。 高温ホットスポットに焦点を当てたフィールド実験では、従来の熱よりも12.8倍のRMSEゲイン、補正されていないSA画像より2.6倍のゲインが向上した。 また、探索・救助のための人間の署名など、他の熱信号へのモデルの一般化を実証する。 簡単なしきい値設定は微妙な熱信号を検出するのに不十分であることが多いため、その形態的特徴は正確な分類にも同様に重要である。 我々は火と人間のサインの完全な形態を再構築したが、従来の画像は部分閉塞で打ち破られた。

関連論文リスト

• TDiff: Thermal Plug-And-Play Prior with Patch-Based Diffusion [13.921428908649455]
  本稿では,これらの歪みの局所特性を,小さな熱パッチのトレーニングにより活用するパッチベース拡散フレームワーク(TDiff)を提案する。 重なり合うパッチをデノベートし、スムーズな空間ウィンドウリングでブレンドすることで、フルレゾリューション画像が復元される。 デノイング、超解像、デブロアリングの実験は、シミュレーションと実際の熱データの両方に強い結果を示す。
  論文  参考訳（メタデータ） (2025-10-07T20:54:34Z)
• ThermalLoc: A Vision Transformer-Based Approach for Robust Thermal Camera Relocalization in Large-Scale Environments [11.322440891972901]
  熱カメラは、熱放射によって環境データをキャプチャする。 従来の視覚的再局在法は熱画像に直接適用できない。 本研究では,熱画像再局在化のための新しいエンドツーエンド深層学習手法であるHeatherLocを紹介する。
  論文  参考訳（メタデータ） (2025-06-23T03:52:35Z)
• Absorption-Based, Passive Range Imaging from Hyperspectral Thermal Measurements [3.312377336651664]
  熱い物体と高出力物体を計算的に分離した受動的レンジイメージング手法を提案する。 本手法は, 放射能を明示的に考慮し, 範囲と固有物体特性を共同で推定する。 本手法を自然界から取得した8-13$mu$mの広波長赤外画像データに適用する。
  論文  参考訳（メタデータ） (2023-08-10T18:35:22Z)
• 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)
• Thermal to Visible Image Synthesis under Atmospheric Turbulence [67.99407460140263]
  バイオメトリックスや監視では、低照度と夜間の条件下での撮像に熱画像モダリティがしばしば用いられる。 このような画像システムは、しばしば大気の乱れに悩まされ、撮像された画像に激しいぼやけや変形のアーチファクトをもたらす。 熱画像を直接可視光画像に変換するエンド・ツー・エンドの再構成法を提案する。
  論文  参考訳（メタデータ） (2022-04-06T19:47:41Z)
• A Synthesis-Based Approach for Thermal-to-Visible Face Verification [105.63410428506536]
  本稿では,ARL-VTFおよびTUFTSマルチスペクトル顔データセット上での最先端性能を実現するアルゴリズムを提案する。 MILAB-VTF(B)も提案する。
  論文  参考訳（メタデータ） (2021-08-21T17:59:56Z)
• Simultaneous Face Hallucination and Translation for Thermal to Visible Face Verification using Axial-GAN [74.22129648654783]
  低分解能熱画像から熱可視面検証のタスクを紹介します。 本稿では,Axial-Generative Adversarial Network (Axial-GAN)を提案する。
  論文  参考訳（メタデータ） (2021-04-13T22:34:28Z)
• A Large-Scale, Time-Synchronized Visible and Thermal Face Dataset [62.193924313292875]
  DEVCOM Army Research Laboratory Visible-Thermal Faceデータセット(ARL-VTF)を発表します。 395人の被験者から50万枚以上の画像が得られたARL-VTFデータセットは、これまでで最大の可視画像とサーマルフェイス画像の収集データだ。 本論文では,ALL-VTFデータセットを用いたサーマルフェースランドマーク検出とサーマル・トゥ・ヴィジブルフェース検証のベンチマーク結果と分析について述べる。
  論文  参考訳（メタデータ） (2021-01-07T17:17:12Z)
• Repeated radiation damage and thermal annealing of avalanche photodiodes [0.0]
  アバランシェ光ダイオード(APD)は、量子通信衛星の単一光子検出に適している。 軌道内放射線による熱雑音が著しく増加する傾向にある。
  論文  参考訳（メタデータ） (2020-07-09T16:04:09Z)
• Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving [67.69430435482127]
  アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。 サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。 本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-01T09:59:09Z)

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。