論文の概要: Time-aware UNet and super-resolution deep residual networks for spatial downscaling

• arxiv url: http://arxiv.org/abs/2512.13753v1
• Date: Mon, 15 Dec 2025 08:19:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.42887
• Title: Time-aware UNet and super-resolution deep residual networks for spatial downscaling
• Title（参考訳）: 空間ダウンスケーリングのための時間認識UNetと超解像深部残差ネットワーク
• Authors: Mika Sipilä, Sabrina Maggio, Sandra De Iaco, Klaus Nordhausen, Monica Palma, Sara Taskinen,
• Abstract要約: 超解像深層ネットワーク(SRDRN)とエンコーダデコーダベースのUNetという2つの広く使われているディープラーニングアーキテクチャは、対流圏オゾンの空間的下降を考慮に入れている。 時間モジュールは、正弦波または放射基底関数(RBF)符号化を用いて観測時間を符号化し、ネットワーク内の空間表現と時間的特徴を融合する。 その結果,計算複雑性はわずかに増大するが,時間モジュールはダウンスケーリング性能と収束速度を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 0.4467322200727055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite data of atmospheric pollutants are often available only at coarse spatial resolution, limiting their applicability in local-scale environmental analysis and decision-making. Spatial downscaling methods aim to transform the coarse satellite data into high-resolution fields. In this work, two widely used deep learning architectures, the super-resolution deep residual network (SRDRN) and the encoder-decoder-based UNet, are considered for spatial downscaling of tropospheric ozone. Both methods are extended with a lightweight temporal module, which encodes observation time using either sinusoidal or radial basis function (RBF) encoding, and fuses the temporal features with the spatial representations in the networks. The proposed time-aware extensions are evaluated against their baseline counterparts in a case study on ozone downscaling over Italy. The results suggest that, while only slightly increasing computational complexity, the temporal modules significantly improve downscaling performance and convergence speed.
• Abstract（参考訳）: 大気汚染物質の衛星データはしばしば粗い空間分解能でのみ利用でき、局所的な環境分析や意思決定における適用性が制限される。 空間的なダウンスケーリング手法は、粗い衛星データを高解像度のフィールドに変換することを目的としている。 本研究では,超高分解能深部学習ネットワーク(SRDRN)とエンコーダデコーダベースUNetの2つのディープラーニングアーキテクチャを,対流圏オゾンの空間的ダウンスケーリングとして検討する。 どちらの手法も軽量の時間モジュールで拡張されており、これは正弦波または放射基底関数(RBF)の符号化を用いて観測時間を符号化し、ネットワーク内の空間的表現と時間的特徴を融合させる。 提案した時間認識拡張は,イタリア上空のオゾン下降を事例として,その基準値に対して評価される。 その結果,計算複雑性はわずかに増大するが,時間モジュールはダウンスケーリング性能と収束速度を著しく向上させることがわかった。

関連論文リスト

• Surgformer: Surgical Transformer with Hierarchical Temporal Attention for Surgical Phase Recognition [7.682613953680041]
  本稿では,空間時間モデルと冗長性の問題に終末的に対処する手術用トランスフォーマー(サージフォーマー)を提案する。 提案するサージフォーマーは,最先端の手法に対して良好に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-07T16:16:31Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Local-Global Temporal Difference Learning for Satellite Video Super-Resolution [53.03380679343968]
  本稿では,時間的差分を効果的かつ効果的な時間的補償に利用することを提案する。 フレーム内における局所的・大域的時間的情報を完全に活用するために,短期・長期的時間的相違を体系的にモデル化した。 5つの主流ビデオ衛星に対して行われた厳密な客観的および主観的評価は、我々の手法が最先端のアプローチに対して好適に機能することを実証している。
  論文  参考訳（メタデータ） (2023-04-10T07:04:40Z)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Deep Geospatial Interpolation Networks [15.942343748489376]
  我々はDGIN(Deep Geospatial Interpolation Network)と呼ばれる新しいディープニューラルネットワークを提案する。 DGINは空間的および時間的関係を持ち、トレーニング時間を大幅に短縮する。 2つの異なる領域からMODISデータセット上でDGINを評価する。
  論文  参考訳（メタデータ） (2021-08-15T06:57:36Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)

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。