論文の概要: HuiYanEarth-SAR: A Foundation Model for High-Fidelity and Low-Cost Global Remote Sensing Imagery Generation

• arxiv url: http://arxiv.org/abs/2604.11444v1
• Date: Mon, 13 Apr 2026 13:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.55854
• Title: HuiYanEarth-SAR: A Foundation Model for High-Fidelity and Low-Cost Global Remote Sensing Imagery Generation
• Title（参考訳）: HuiYanEarth-SAR:高忠実で低コストな地球リモートセンシング画像生成の基礎モデル
• Authors: Yongxiang Liu, Jie Zhou, Yafei Song, Tianpeng Liu, Li Liu,
• Abstract要約: textbfHuiYanEarth-SARはAlphaEarthと統合散乱機構に基づく最初の基礎的なSAR画像生成モデルである。 本研究は,効率的なSARシーンシミュレータを構築するだけでなく,地理,散乱機構,人工知能を接続する橋を方法論的観点から構築する。
• 参考スコア（独自算出の注目度）: 34.69179337984491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic Aperture Radar (SAR) imagery generation is essential for deepening the study of scattering mechanisms, establishing trustworthy electromagnetic scene models, and fundamentally alleviating the data scarcity bottleneck that constrains development in this field. However, existing methods find it difficult to simultaneously ensure high fidelity in both global geospatial semantics and microscopic scattering mechanisms, resulting in severe challenges for global generation. To address this, we propose \textbf{HuiYanEarth-SAR}, the first foundational SAR imagery generation model based on AlphaEarth and integrated scattering mechanisms. By injecting geospatial priors to control macroscopic structures and utilizing implicit scattering characteristic modeling to ensure the authenticity of microscopic textures, we achieve the capability of generating high-fidelity SAR images for global locations solely based on geographic coordinates. This study not only constructs an efficient SAR scene simulator but also establishes a bridge connecting geography, scatter mechanism, and artificial intelligence from a methodological standpoint. It advances SAR research by expanding the paradigm from perception and understanding to simulation and creation, providing key technical support for constructing a high-confidence digital twin of the Earth.
• Abstract（参考訳）: 合成開口レーダ(SAR)画像生成は,散乱機構の研究の深化,信頼性の高い電磁シーンモデルの構築,この分野の開発を制約するデータ不足ボトルネックの緩和に不可欠である。 しかし、既存の手法では、地球空間意味論と微視的散乱機構の両方において高い忠実度を同時に確保することは困難である。 そこで我々は,AlphaEarth と統合散乱機構に基づく最初の基礎的 SAR 画像生成モデルである \textbf{HuiYanEarth-SAR} を提案する。 微視的テクスチャの真正性を確保するために, 暗示散乱特性モデルを用いて, 地理的座標のみに基づく地球規模の高忠実度SAR画像を生成する能力を実現する。 本研究は,効率的なSARシーンシミュレータを構築するだけでなく,地理,散乱機構,人工知能を接続する橋を方法論的観点から構築する。 SARの研究は、このパラダイムを知覚と理解からシミュレーションと創造へと拡張し、地球上の高信頼のデジタル双対を構築するための重要な技術支援を提供することによって進められている。

関連論文リスト

• FUSAR-GPT : A Spatiotemporal Feature-Embedded and Two-Stage Decoupled Visual Language Model for SAR Imagery [8.62554606349568]
  FUSAR-GPTは、合成開口レーダ(SAR)アプリケーション専用のVLMである。 多ソースリモートセンシングの時間的特徴を「時空間アンカー」を介してモデルの視覚的バックボーンに埋め込む。 これは、いくつかの典型的なリモートセンシングビジュアルベンチマークテストにまたがって、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-02-22T13:40:17Z)
• FUSAR-KLIP: Towards Multimodal Foundation Models for Remote Sensing [16.948824707021412]
  クロスモーダル人工知能は近年広く注目を集めており、自然画像の研究において大きな進歩を遂げている。 既存の手法は主にRGB画像用に設計されており、合成開口レーダ(SAR)画像のモデリングにおいて大きなギャップを残している。 本稿では,再利用可能なデータと評価ベースラインとともに,初の汎用SARマルチモーダル基盤モデルであるFUSAR-KLIPを提案する。
  論文  参考訳（メタデータ） (2025-09-28T15:03:25Z)
• STAR: A Benchmark for Astronomical Star Fields Super-Resolution [52.895107920663236]
  54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。 本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:28:28Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• So-Fake: Benchmarking and Explaining Social Media Image Forgery Detection [75.79507634008631]
  So-Fake-Setは、200万以上の高品質な画像、多様な生成源、35の最先端生成モデルを用いて合成された画像を備えたソーシャルメディア指向のデータセットである。 本稿では,高精度な偽造検出,高精度な位置推定,解釈可能な視覚論理による説明可能な推論に強化学習を利用する高度な視覚言語フレームワークであるSo-Fake-R1を提案する。
  論文  参考訳（メタデータ） (2025-05-24T11:53:35Z)
• DFPENet-geology: A Deep Learning Framework for High Precision Recognition and Segmentation of Co-seismic Landslides [7.927831418004974]
  本稿では,Dense-Decoder Network (DFPENet) を用いたロバストモデル Dense Feature Pyramid を開発した。 DFPENetモデルから抽出した画像特徴,地質学的特徴,時間分解能,地すべりの空間解析,移動学習を統合した共地震地すべり認識手法を提案する。
  論文  参考訳（メタデータ） (2019-08-28T19:07:40Z)

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。