論文の概要: Hyperspectral Variational Autoencoders for Joint Data Compression and Component Extraction
- arxiv url: http://arxiv.org/abs/2511.18521v1
- Date: Sun, 23 Nov 2025 16:26:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.881089
- Title: Hyperspectral Variational Autoencoders for Joint Data Compression and Component Extraction
- Title（参考訳）: 複合データ圧縮と成分抽出のためのハイパースペクトル変分オートエンコーダ
- Authors: Core Francisco Park, Manuel Perez-Carrasco, Caroline Nowlan, Cecilia Garraffo,
- Abstract要約: 我々は、NASAのTEMPO衛星ハイパースペクトル観測(1028チャンネル、290-490nm)のx514圧縮を実現する変分オートエンコーダ(VAE)アプローチを提案する。
この劇的なデータボリューム削減は、スペクトルの忠実さを維持しながら、効率的なアーカイブと衛星観測の共有を可能にする。
- 参考スコア（独自算出の注目度）: 5.157309015481045
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Geostationary hyperspectral satellites generate terabytes of data daily, creating critical challenges for storage, transmission, and distribution to the scientific community. We present a variational autoencoder (VAE) approach that achieves x514 compression of NASA's TEMPO satellite hyperspectral observations (1028 channels, 290-490nm) with reconstruction errors 1-2 orders of magnitude below the signal across all wavelengths. This dramatic data volume reduction enables efficient archival and sharing of satellite observations while preserving spectral fidelity. Beyond compression, we investigate to what extent atmospheric information is retained in the compressed latent space by training linear and nonlinear probes to extract Level-2 products (NO2, O3, HCHO, cloud fraction). Cloud fraction and total ozone achieve strong extraction performance (R^2 = 0.93 and 0.81 respectively), though these represent relatively straightforward retrievals given their distinct spectral signatures. In contrast, tropospheric trace gases pose genuine challenges for extraction (NO2 R^2 = 0.20, HCHO R^2 = 0.51) reflecting their weaker signals and complex atmospheric interactions. Critically, we find the VAE encodes atmospheric information in a semi-linear manner - nonlinear probes substantially outperform linear ones - and that explicit latent supervision during training provides minimal improvement, revealing fundamental encoding challenges for certain products. This work demonstrates that neural compression can dramatically reduce hyperspectral data volumes while preserving key atmospheric signals, addressing a critical bottleneck for next-generation Earth observation systems. Code - https://github.com/cfpark00/Hyperspectral-VAE
- Abstract（参考訳）: 静止型ハイパースペクトル衛星は、毎日テラバイトのデータを生成し、保存、送信、科学コミュニティへの配布において重要な課題を生み出している。
我々は,NASAのTEMPO衛星ハイパースペクトル観測 (1028チャネル, 290-490nm) の x514 圧縮を実現する可変オートエンコーダ (VAE) 方式を提案する。
この劇的なデータボリューム削減は、スペクトルの忠実さを維持しながら、効率的なアーカイブと衛星観測の共有を可能にする。
圧縮以外にも, 線形および非線形プローブをトレーニングして, 圧縮潜在空間における大気情報の保持範囲を調査し, レベル2生成物(NO2, O3, HCHO, 雲分率)を抽出する。
雲分率と全オゾンは、それぞれ強い抽出性能(R^2 = 0.93 と 0.81 )を達成するが、これらは、それぞれ異なるスペクトルシグネチャから比較的単純である。
対照的に、対流圏の微量ガスは、より弱い信号と複雑な大気相互作用を反映した抽出(NO2 R^2 = 0.20, HCHO R^2 = 0.51)に真の課題をもたらす。
批判的に言えば、VAEは大気情報を半直線的にエンコードし、非線形プローブは実質的に線形よりも優れており、トレーニング中の明確な潜伏監視は最小限の改善をもたらし、特定の製品に対する基本的なエンコード課題を明らかにしている。
この研究は、ニューラル圧縮が重要な大気信号を保持しながらハイパースペクトルデータ量を劇的に削減できることを示し、次世代地球観測システムにとって重要なボトルネックに対処する。
コード - https://github.com/cfpark00/ Hyperspectral-VAE
関連論文リスト
- Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。
既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。
Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
論文 参考訳（メタデータ） (2025-10-15T09:00:05Z) - Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。
データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。
アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
論文 参考訳（メタデータ） (2025-09-21T14:12:28Z) - DenoDet V2: Phase-Amplitude Cross Denoising for SAR Object Detection [49.9059941674531]
本稿では,バンドワイド相互変調機構を用いて,振幅と位相情報の相補的性質を利用するDenoDet V2を提案する。
DenoDet V2は、DenoDet V1と比較してSARDet-100Kデータセットの大幅な0.8%改善を実現し、モデルの複雑さを半分に削減した。
論文 参考訳（メタデータ） (2025-08-12T23:24:20Z) - Efficient Compression of Sparse Accelerator Data Using Implicit Neural Representations and Importance Sampling [7.838980097597047]
核物理学と高エネルギー物理学における大規模粒子衝突は、異常な速度でデータを生成する。
データ学習と圧縮のための暗黙的ニューラル表現を用いた新しい手法を提案する。
また,ネットワークトレーニングプロセスの高速化のための重要サンプリング手法も導入する。
論文 参考訳（メタデータ） (2024-12-02T17:50:49Z) - HiHa: Introducing Hierarchical Harmonic Decomposition to Implicit Neural Compression for Atmospheric Data [7.453116854690232]
大気データに対する階層型暗黙的ニューラル圧縮(HiHa)を提案する。
HiHaは複数の複素調和の分解を通じてデータを多周波信号に分割する。
また、時間的連続性を利用して圧縮を加速する時間的残留圧縮モジュールを設計する。
論文 参考訳（メタデータ） (2024-11-09T11:44:32Z) - How Important are Data Augmentations to Close the Domain Gap for Object Detection in Orbit? [15.550663626482903]
宇宙空間におけるコンピュータビジョンの領域ギャップを埋めるためのデータ拡張の有効性について検討する。
本稿では,軌道画像に観察される視覚効果をエミュレートするために開発された2つの新しいデータ拡張法を提案する。
論文 参考訳（メタデータ） (2024-10-21T08:24:46Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - DMSSN: Distilled Mixed Spectral-Spatial Network for Hyperspectral Salient Object Detection [12.823338405434244]
HSOD(Hyperspectral Salient Object Detection)は,様々な用途において有望である。
特徴抽出過程における高スペクトル画像の特徴的特性(HSI)は,従来は不十分であった。
我々は、MSST(Distilled Spectral-Spatial Transformer)を含むDMSSN(Distilled Mixed Spectral-Spatial Network)を提案する。
この分野でのデータ不足の問題に対処するため、大規模なHSODデータセットHSOD-BITを作成しました。
論文 参考訳（メタデータ） (2024-03-31T14:04:57Z) - Compression of Structured Data with Autoencoders: Provable Benefit of
Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。
浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。
CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文 参考訳（メタデータ） (2024-02-07T16:32:29Z) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳（メタデータ） (2023-05-17T09:37:07Z)
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。