論文の概要: UrbanDIFF: A Denoising Diffusion Model for Spatial Gap Filling of Urban Land Surface Temperature Under Dense Cloud Cover

• arxiv url: http://arxiv.org/abs/2512.17782v1
• Date: Fri, 19 Dec 2025 16:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.500288
• Title: UrbanDIFF: A Denoising Diffusion Model for Spatial Gap Filling of Urban Land Surface Temperature Under Dense Cloud Cover
• Title（参考訳）: UrbanDIFF:高密度雲被覆下における都市表面温度の空間ギャップ充満のための拡散モデル
• Authors: Arya Chavoshi, Hassan Dashtian, Naveen Sudharsan, Dev Niyogi,
• Abstract要約: 雲汚染した都市部LST画像の再構成のための空間デノナイズ拡散モデルであるUrbanDIFFを紹介する。 アーバンDIFFは2002年から2025年までの7大都市圏のNASA MODIS Terra LSTデータを用いて訓練され評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite-derived Land Surface Temperature (LST) products are central to surface urban heat island (SUHI) monitoring due to their consistent grid-based coverage over large metropolitan regions. However, cloud contamination frequently obscures LST observations, limiting their usability for continuous SUHI analysis. Most existing LST reconstruction methods rely on multitemporal information or multisensor data fusion, requiring auxiliary observations that may be unavailable or unreliable under persistent cloud cover. Purely spatial gap-filling approaches offer an alternative, but traditional statistical methods degrade under large or spatially contiguous gaps, while many deep learning based spatial models deteriorate rapidly with increasing missingness. Recent advances in denoising diffusion based image inpainting models have demonstrated improved robustness under high missingness, motivating their adoption for spatial LST reconstruction. In this work, we introduce UrbanDIFF, a purely spatial denoising diffusion model for reconstructing cloud contaminated urban LST imagery. The model is conditioned on static urban structure information, including built-up surface data and a digital elevation model, and enforces strict consistency with revealed cloud free pixels through a supervised pixel guided refinement step during inference. UrbanDIFF is trained and evaluated using NASA MODIS Terra LST data from seven major United States metropolitan areas spanning 2002 to 2025. Experiments using synthetic cloud masks with 20 to 85 percent coverage show that UrbanDIFF consistently outperforms an interpolation baseline, particularly under dense cloud occlusion, achieving SSIM of 0.89, RMSE of 1.2 K, and R2 of 0.84 at 85 percent cloud coverage, while exhibiting slower performance degradation as cloud density increases.
• Abstract（参考訳）: 衛星由来のランドサーフェス(LST)製品は、大都市圏を網羅した一貫した網状被覆のため、表層都市ヒートアイランド(SUHI)監視の中心である。 しかし、雲の汚染はしばしばLST観測を曖昧にし、持続的なSUHI分析のユーザビリティを制限している。 既存のLST再構成法の多くは、マルチテンポラル情報やマルチセンサーデータ融合に依存しており、永続的な雲の覆いの下では利用できない、または信頼性の低い補助的な観測を必要とする。 純粋に空間的ギャップを埋めるアプローチは代替手段を提供するが、従来の統計手法は大きなあるいは空間的に連続したギャップの下で劣化するが、多くの深層学習に基づく空間モデルは欠落の増大とともに急速に悪化する。 拡散型画像塗装モデルの最近の進歩は、高い欠損下での堅牢性の向上を実証し、空間的LST再構成への採用を動機付けている。 本研究では, 大気汚染都市におけるLST画像の再構成のための空間デノナイズ拡散モデルであるUrbanDIFFを紹介する。 このモデルは,ビルトアップ表面データやデジタル標高モデルを含む静的都市構造情報に基づいて,教師付き画素誘導精細化ステップを通じて,露光した雲のフリーピクセルとの厳密な整合性を実現する。 アーバンDIFFは2002年から2025年までの7大都市圏のNASA MODIS Terra LSTデータを用いて訓練され評価されている。 20～85%のカバレッジを持つ合成雲マスクを用いた実験では、UrbanDIFFは補間ベースライン(特に密集雲の閉塞下で)を一貫して上回り、SSIMは0.89、RMSEは1.2K、R2は0.84、雲密度は85%で達成し、雲密度が増加するにつれて性能が低下することを示した。

関連論文リスト

• STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting [42.05696072296056]
  大気汚染予測は、都市管理と健全な建物の開発に不可欠である。 車やバスなどのモバイルプラットフォームにポータブルセンサーをデプロイすることで、低コストで、メンテナンスが容易で、広範なデータ収集ソリューションを提供する。 これらの非専用モバイルプラットフォームのランダムかつ制御不能な動きパターンのため、結果として得られるセンサデータは不完全であり、時間的に矛盾することが多い。
  論文  参考訳（メタデータ） (2025-12-04T02:17:19Z)
• Physics-Guided Inductive Spatiotemporal Kriging for PM2.5 with Satellite Gradient Constraints [15.082346657646902]
  微粒子の高分解能マッピング (PM2.5) は持続可能な都市化の基盤であるが, 地中モニタリングネットワークの空間的疎結合性により, 依然として重要な障害となっている。 本研究では,インダクティブ・テンポラル・クリグのための新しいフレームワークであるspatio-Guided Inference Network (SPIN)を提案する。
  論文  参考訳（メタデータ） (2025-11-20T03:18:41Z)
• Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources [1.5052861873036498]
  土地被覆セマンティックセグメンテーション(LCS)のための改良されたディープラーニングは、ラベル付き衛星データに依存している。 既存のSentinel-2データセットのほとんどはクラウドフリーであり、雲が一般的である熱帯地域での有用性を制限している。 我々は,現実的な雲の覆いをシミュレートするクラウドインジェクションアルゴリズムを開発し,雲に妨害された光学画像によって生じるギャップをSentinel-1レーダーデータがどのように埋めるかを検証した。
  論文  参考訳（メタデータ） (2025-10-03T13:51:35Z)
• EC-Diff: Fast and High-Quality Edge-Cloud Collaborative Inference for Diffusion Models [57.059991285047296]
  高速な推論と高品質な生成を実現するために,ハイブリッドエッジクラウドコラボレーションフレームワークが最近提案されている。 過度の雲が推論時間を延ばす一方、不十分なステップは意味的な曖昧さを引き起こし、エッジモデルの出力の不整合を引き起こす。 勾配に基づく雑音推定により雲の推測を高速化するEC-Diffを提案する。 提案手法は, エッジ推定に比べて生成品質を著しく向上する一方で, クラウド推定に比べて平均2倍の速度アップを達成できる。
  論文  参考訳（メタデータ） (2025-07-16T07:23:14Z)
• Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
  本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。 マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。 降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-05-22T15:50:00Z)
• SatFlow: Generative model based framework for producing High Resolution Gap Free Remote Sensing Imagery [0.0]
  SatFlowは低分解能MODIS画像とランドサット観測を融合して高分解能・高分解能表面反射率画像を生成する生成モデルベースフレームワークである。 条件付きフローマッチングを用いて学習した本モデルでは, 構造的・スペクトル的整合性のある画像の生成性能が向上した。 この機能は、作物のフェノロジー追跡や環境変化検出など、下流のアプリケーションに不可欠である。
  論文  参考訳（メタデータ） (2025-02-03T06:40:13Z)
• Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
  まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。 この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。 我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
  論文  参考訳（メタデータ） (2024-12-04T15:49:49Z)
• Improving Vector-Quantized Image Modeling with Latent Consistency-Matching Diffusion [55.185588994883226]
  VQ-LCMDは、学習を安定させる埋め込み空間内の連続空間潜在拡散フレームワークである。 VQ-LCMDは、関節埋め込み拡散変動下界と整合整合性(CM)損失を組み合わせた新しいトレーニング目標を使用する。 実験により,提案したVQ-LCMDは離散状態潜伏拡散モデルと比較して,FFHQ,LSUN教会,LSUNベッドルームにおいて優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-10-18T09:12:33Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
  コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。 我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。 提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
  論文  参考訳（メタデータ） (2022-10-27T01:25:57Z)

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。