論文の概要: Spatiotemporal Satellite Image Downscaling with Transfer Encoders and Autoregressive Generative Models

• arxiv url: http://arxiv.org/abs/2512.05139v1
• Date: Mon, 01 Dec 2025 06:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.750941
• Title: Spatiotemporal Satellite Image Downscaling with Transfer Encoders and Autoregressive Generative Models
• Title（参考訳）: 転送エンコーダと自己回帰生成モデルを用いた時空間衛星画像ダウンスケーリング
• Authors: Yang Xiang, Jingwen Zhong, Yige Yan, Petros Koutrakis, Eric Garshick, Meredith Franklin,
• Abstract要約: 本稿では,衛星画像の粗大な入力から微細な衛星画像の再構成を行うトランスファーラーニング・ジェネレーション・ダウンスケーリング・フレームワークを提案する。 提案手法は,軽量なU-Net転送エンコーダと拡散型生成モデルを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 6.277747770841536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a transfer-learning generative downscaling framework to reconstruct fine resolution satellite images from coarse scale inputs. Our approach combines a lightweight U-Net transfer encoder with a diffusion-based generative model. The simpler U-Net is first pretrained on a long time series of coarse resolution data to learn spatiotemporal representations; its encoder is then frozen and transferred to a larger downscaling model as physically meaningful latent features. Our application uses NASA's MERRA-2 reanalysis as the low resolution source domain (50 km) and the GEOS-5 Nature Run (G5NR) as the high resolution target (7 km). Our study area included a large area in Asia, which was made computationally tractable by splitting into two subregions and four seasons. We conducted domain similarity analysis using Wasserstein distances confirmed minimal distributional shift between MERRA-2 and G5NR, validating the safety of parameter frozen transfer. Across seasonal regional splits, our model achieved excellent performance (R2 = 0.65 to 0.94), outperforming comparison models including deterministic U-Nets, variational autoencoders, and prior transfer learning baselines. Out of data evaluations using semivariograms, ACF/PACF, and lag-based RMSE/R2 demonstrated that the predicted downscaled images preserved physically consistent spatial variability and temporal autocorrelation, enabling stable autoregressive reconstruction beyond the G5NR record. These results show that transfer enhanced diffusion models provide a robust and physically coherent solution for downscaling a long time series of coarse resolution images with limited training periods. This advancement has significant implications for improving environmental exposure assessment and long term environmental monitoring.
• Abstract（参考訳）: 粗いスケールの入力から微細解像度の衛星画像を再構成するトランスファーラーニング・ジェネレーション・ダウンスケーリング・フレームワークを提案する。 提案手法は,軽量なU-Net転送エンコーダと拡散型生成モデルを組み合わせたものである。 より単純なU-Netは、時空間表現を学習するために、長い時間をかけて粗い解像度データに事前訓練され、エンコーダは凍結され、物理的に意味のある潜在特徴としてより大きなダウンスケーリングモデルに転送される。 我々は,NASAのMERRA-2を低分解能ソースドメイン(50km)として,GEOS-5ネイチャーラン(G5NR)を高分解能ターゲット(7km)として使用した。 本研究領域は,2つの亜地域と4つの季節に分けて計算的に抽出可能なアジアの広い地域を含む。 We performed domain similarity analysis using Wasserstein distances confirmed minimal distributional shift between MERRA-2 and G5NR, and confirmed the safety of parameter frozen transfer。 季節分割により,本モデルは優れた性能(R2=0.65～0.94)を達成し,決定論的U-Net,変分オートエンコーダ,事前伝達学習ベースラインなどの比較モデルに優れていた。 半変分法, ACF/PACF, およびラグベースRMSE/R2を用いたデータ評価の結果, 予測下降画像は物理的に一貫した空間的変動と時間的自己相関を保ち, G5NRレコードを超える安定した自己回帰的再構成を可能にした。 これらの結果から,伝達拡張拡散モデルにより,長い連続した粗い解像度画像を訓練期間限定でダウンスケールする,堅牢かつ物理的に整合性のある解が得られることが示された。 この進歩は、環境暴露評価の改善と長期環境モニタリングに重大な影響を及ぼす。

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)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• A Statistical Evaluation of Indoor LoRaWAN Environment-Aware Propagation for 6G: MLR, ANOVA, and Residual Distribution Analysis [6.8093214146903875]
  本研究では,1,328,334フィールドの広範囲なデータセットを用いて,複雑度を捕捉・解析するための2段階のアプローチを提案する。 従来の伝搬測定値と,提案する環境変数による拡張を含む,多重線形回帰モデルを実装した。 分散分析を用いて、これらの環境要因を追加することで、説明できない分散を42.22%削減できることを示した。
  論文  参考訳（メタデータ） (2025-04-23T13:19:35Z)
• Spatio-Temporal Forecasting of PM2.5 via Spatial-Diffusion guided Encoder-Decoder Architecture [9.955223104442755]
  本稿では,PM2.5濃度の予測に係わる依存関係を具体的に把握するS-Temporal Graph Networkアーキテクチャを提案する。 本モデルは,グラフニューラルネットワーク(Transformerv)を付加した再帰単位(GRU)を利用して空間拡散を考慮したエンコーダ・デコーダアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2024-12-18T15:18:12Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
  本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。 本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。 GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
  論文  参考訳（メタデータ） (2020-06-11T16:19:41Z)
• An Unsupervised Generative Neural Approach for InSAR Phase Filtering and Coherence Estimation [3.8218584696400484]
  我々は,共同位相フィルタリングとコヒーレンス推定のためのCNNに基づく生成モデルであるGenInSARを提案する。 GenInSARの衛星とシミュレートされたノイズのあるInSAR画像に関する教師なしの訓練は、全残留量削減において他の関連手法よりも優れている。 Coherence Root-Mean-Squared-Error と Phase Cosine Error はそれぞれ、関連する方法と比較して平均 0.54, 0.07, 0.05 改善されている。
  論文  参考訳（メタデータ） (2020-01-27T08:50:39Z)

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。