論文の概要: An InSAR Phase Unwrapping Framework for Large-scale and Complex Events

• arxiv url: http://arxiv.org/abs/2603.21378v1
• Date: Sun, 22 Mar 2026 19:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.389334
• Title: An InSAR Phase Unwrapping Framework for Large-scale and Complex Events
• Title（参考訳）: 大規模複合イベントのためのInSAR位相アンラッピングフレームワーク
• Authors: Yijia Song, Juliet Biggs, Alin Achim, Robert Popescu, Simon Orrego, Nantheera Anantrasirichai,
• Abstract要約: 地震に伴う変形では、浅い震源が表面破壊断層や急激な変位不連続を発生させ、相連続性を著しく破壊し、しばしば従来のアンラッピングアルゴリズムが失敗する。 本稿では,大規模な干渉計処理と変形による不連続性に対応するために開発された拡散モデルに基づく位相アンラッピングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.164215196408102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phase unwrapping remains a critical and challenging problem in InSAR processing, particularly in scenarios involving complex deformation patterns. In earthquake-related deformation, shallow sources can generate surface-breaking faults and abrupt displacement discontinuities, which severely disrupt phase continuity and often cause conventional unwrapping algorithms to fail. Another limitation of existing learning-based unwrapping methods is their reliance on fixed and relatively small input sizes, while real InSAR interferograms are typically large-scale and spatially heterogeneous. This mismatch restricts the applicability of many neural network approaches to real-world data. In this work, we present a phase unwrapping framework based on a diffusion model, developed to process large-scale interferograms and to address phase discontinuities caused by deformation. By leveraging a diffusion model architecture, the proposed method can recover physically consistent unwrapped phase fields even in the presence of fault-related phase jumps. Experimental results on both synthetic and real datasets demonstrate that the method effectively addresses discontinuities associated with near-surface deformation and scales well to large InSAR images, offering a practical alternative to manual unwrapping in challenging scenarios.
• Abstract（参考訳）: フェーズアンラッピングは、特に複雑な変形パターンを含むシナリオにおいて、InSAR処理において重要な問題であり、難しい問題である。 地震に伴う変形では、浅い震源が表面破壊断層や急激な変位不連続を発生させ、相連続性を著しく破壊し、しばしば従来のアンラッピングアルゴリズムが失敗する。 既存の学習ベースのアンラッピング手法のもう1つの制限は、固定サイズと比較的小さな入力サイズに依存しているのに対して、実際のInSARインターフェログラムは、通常、大規模で空間的に不均一である。 このミスマッチは、現実世界のデータに対する多くのニューラルネットワークアプローチの適用性を制限している。 本研究では,大規模な干渉電図処理と変形に伴う位相不連続性に対応するために開発された拡散モデルに基づく位相アンラッピングフレームワークを提案する。 拡散モデルアーキテクチャを利用することで,故障関連位相ジャンプが存在する場合でも,物理的に一貫した未開相場を復元することができる。 合成データと実データの両方を用いた実験結果から, この手法は表面近傍の変形に伴う不連続性に効果的に対処し, 大規模なInSAR画像によく対応し, 困難なシナリオにおいて手動の切り離しに代わる実用的な代替手段を提供することが示された。

関連論文リスト

• Coarse-to-Fine Non-Rigid Registration for Side-Scan Sonar Mosaicking [0.1631115063641726]
  サイドスキャンソナーモザイクは大規模な海底マッピングにおいて重要な役割を果たしている。 既存の剛性またはアフィン登録法は複雑な変形をモデル化できない。 本稿では,大規模なサイドスキャンソナー画像に適した,粗大な階層的階層的非剛性登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-19T12:44:31Z)
• Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain [58.46450049579116]
  本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。 具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。 次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
  論文  参考訳（メタデータ） (2025-07-08T04:50:28Z)
• Modeling Nonstationary Extremal Dependence via Deep Spatial Deformations [0.0]
  定常モデルと等方性モデルの推論は比較的容易であるが、これらのモデルの基礎となる仮定は、大きな領域や地形上の複雑な領域で観測されるデータによって満たされることは滅多にない。 空間モデルにおける非定常性の調節の可能なアプローチは、静止性と等方性が合理的に仮定できる潜在空間に空間領域をワープすることである。 これらの課題を克服するために、極端依存における非定常性を捉えるための深層構成空間モデルを開発する。
  論文  参考訳（メタデータ） (2025-05-18T21:22:00Z)
• Learning Phase Distortion with Selective State Space Models for Video Turbulence Mitigation [13.073844945948132]
  大気の乱流は、長距離イメージングシステムにおける画像劣化の主な原因である。 多くの深層学習に基づく乱流緩和法 (TM) が提案されているが, それらは遅い, メモリ不足であり, 一般化が不十分である。 本稿では,(1)選択状態空間モデル(MambaTM)に基づく乱流緩和ネットワークと(2)学習遅延位相歪み(LPD)の2つの概念に基づく新しいTM法を提案する。 提案手法は,様々な合成および実世界のTMベンチマークにおいて,推定速度が大幅に向上した現状のネットワークを超越した手法である。
  論文  参考訳（メタデータ） (2025-04-03T15:33:18Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Sub-DM:Subspace Diffusion Model with Orthogonal Decomposition for MRI Reconstruction [13.418240070456987]
  サブスペース拡散モデル (Sub-DM) は、k空間のデータ分布がノイズに向かって進化するにつれて、サブスペースへの射影による拡散過程を制限するサブスペース拡散モデルである。 k空間データのコンプレックスと高次元特性によって引き起こされる推論問題を回避する。 これにより、異なる空間における拡散過程が相互フィードバック機構を通じてモデルを洗練することができ、複雑なk空間データを扱う場合でも、アクカレートの事前学習が可能になる。
  論文  参考訳（メタデータ） (2024-11-06T08:33:07Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Multi-scale Fusion Fault Diagnosis Method Based on Two-Dimensionaliztion Sequence in Complex Scenarios [0.0]
  転がり軸受は回転機械において重要な要素であり、その欠陥は深刻な損傷を引き起こす可能性がある。 異常の早期発見は破滅的な事故を防ぐために不可欠である。 従来のインテリジェントな手法は時系列データを解析するのに用いられてきたが、現実のシナリオでは、センサデータはノイズが多く、時間領域で正確に特徴付けることはできない。 本稿では,産業シナリオに展開するためのマルチスケール機能融合モデルとディープラーニング圧縮技術を用いて,畳み込みニューラルネットワークの改良手法を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:05:50Z)
• Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment [130.84010267004803]
  限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
  論文  参考訳（メタデータ） (2022-03-06T14:26:25Z)

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。