論文の概要: Physics Encoded Spatial and Temporal Generative Adversarial Network for Tropical Cyclone Image Super-resolution
- arxiv url: http://arxiv.org/abs/2602.17277v1
- Date: Thu, 19 Feb 2026 11:26:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:28.996501
- Title: Physics Encoded Spatial and Temporal Generative Adversarial Network for Tropical Cyclone Image Super-resolution
- Title（参考訳）: 熱帯サイクロン画像超解像のための物理符号化空間及び時空間生成逆ネットワーク
- Authors: Ruoyi Zhang, Jiawei Yuan, Lujia Ye, Runling Yu, Liling Zhao,
- Abstract要約: 超高分解能画像のための物理符号化空間・時空間生成適応ネットワーク(PESTGAN)を提案する。
PESTGANは、視覚テクスチャから物理力学を分離するために暗黙の潜在表現として、結果として生じる近似物理力学を符号化する。
4$times$ upscalingのためのDigital Typhoonデータセットの実験は、PESTGANが構造的忠実性と知覚的品質においてより良いパフォーマンスを確立することを実証している。
- 参考スコア（独自算出の注目度）: 3.296451560971622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution satellite imagery is indispensable for tracking the genesis, intensification, and trajectory of tropical cyclones (TCs). However, existing deep learning-based super-resolution (SR) methods often treat satellite image sequences as generic videos, neglecting the underlying atmospheric physical laws governing cloud motion. To address this, we propose a Physics Encoded Spatial and Temporal Generative Adversarial Network (PESTGAN) for TC image super-resolution. Specifically, we design a disentangled generator architecture incorporating a PhyCell module, which approximates the vorticity equation via constrained convolutions and encodes the resulting approximate physical dynamics as implicit latent representations to separate physical dynamics from visual textures. Furthermore, a dual-discriminator framework is introduced, employing a temporal discriminator to enforce motion consistency alongside spatial realism. Experiments on the Digital Typhoon dataset for 4$\times$ upscaling demonstrate that PESTGAN establishes a better performance in structural fidelity and perceptual quality. While maintaining competitive pixel-wise accuracy compared to existing approaches, our method significantly excels in reconstructing meteorologically plausible cloud structures with superior physical fidelity.
- Abstract（参考訳）: 高解像度衛星画像は、熱帯性サイクロン(TC)の生成、強化、軌道追跡に不可欠である。
しかし、既存のディープラーニングに基づく超解像法(SR)は、衛星画像のシーケンスを一般的なビデオとして扱うことが多く、雲の動きを規定する大気物理法則を無視している。
そこで本研究では,TC画像超解像のための物理符号化空間・時空間生成適応ネットワーク(PESTGAN)を提案する。
具体的には、制約された畳み込みによって渦方程式を近似し、結果として生じる近似物理力学を暗黙の潜在表現としてエンコードし、視覚テクスチャから物理力学を分離するPhyCellモジュールを組み込んだ非交叉ジェネレータアーキテクチャを設計する。
さらに、空間的リアリズムと並行して動きの一貫性を強制するために、時間的判別器を用いた二重識別器フレームワークが導入された。
4$\times$ upscalingのためのDigital Typhoonデータセットの実験は、PESTGANが構造的忠実性と知覚的品質においてより良いパフォーマンスを確立することを実証している。
提案手法は,既存のアプローチと比較して,競争力のある画素の精度を維持しつつも,物理忠実度に優れた気象学的に可視な雲構造を復元する上で極めて優れている。
関連論文リスト
- GEWDiff: Geometric Enhanced Wavelet-based Diffusion Model for Hyperspectral Image Super-resolution [19.608052570649303]
超解像4回で超スペクトル像を再構成するための新しい枠組みを提案する。
スペクトル空間情報を保存しながら、効率よくHSIを潜在空間に圧縮するウェーブレットベースのエンコーダデコーダが導入された。
本モデルでは, 忠実度, スペクトル精度, 視覚リアリズム, 明度など, 複数次元にわたる最先端の成果を示した。
論文 参考訳（メタデータ） (2025-11-10T13:44:16Z) - Physics-Informed Image Restoration via Progressive PDE Integration [11.13952011916121]
物理インフォームドPDEダイナミクスを最先端の復元アーキテクチャに統合するトレーニングフレームワークを提案する。
提案手法は,大域的空間モデリングを原則として実現しつつ,運動ぼけの方向流特性を自然に把握する。
我々のPDE強化デブロアリングモデルは、最小限のオーバーヘッドで優れた復元品質を実現し、GMACの推測に1%程度しか加えていない。
論文 参考訳（メタデータ） (2025-11-09T06:10:20Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Physics-Driven Autoregressive State Space Models for Medical Image Reconstruction [5.208643222679356]
本研究では,高忠実かつ効率的な画像再構成のための物理駆動自己回帰状態空間モデル(SSM)であるMambaRollを提案する。
MambaRollは、各カスケードが粗いスケールの表現でより微細な特徴マップを自動回帰予測するアンロールアーキテクチャを採用している。
MambaRoll は最新 CNN 法, Transformer- 法, SSM 法を常に上回っている。
論文 参考訳（メタデータ） (2024-12-12T14:59:56Z) - A Physics-Inspired Deep Learning Framework with Polar Coordinate Attention for Ptychographic Imaging [8.436077464774755]
Ptychography Imagingは、回折パターンからの位相検索にディープラーニングを適用する際に、固有の課題に直面している。
本稿では,Pola Coordinate Attention (PoCA) を用いた物理に着想を得た深層学習ネットワークPPNについて述べる。
論文 参考訳（メタデータ） (2024-11-25T06:49:59Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。
既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。
本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
論文 参考訳（メタデータ） (2022-06-14T03:38:08Z)
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。