論文の概要: LunarDepthNet: Generation of Digital Elevation Models using Deep Learning and Monocular Satellite Images
- arxiv url: http://arxiv.org/abs/2604.22848v1
- Date: Wed, 22 Apr 2026 06:16:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:06.987022
- Title: LunarDepthNet: Generation of Digital Elevation Models using Deep Learning and Monocular Satellite Images
- Title（参考訳）: LunarDepthNet:ディープラーニングと単眼衛星画像を用いたディジタル標高モデルの生成
- Authors: Aaranay Aadi, Jai Gopal Singla, Amitabh, Nitant Dube, Praveen Kumar Shukla, Vijaypal Singh Dhaka,
- Abstract要約: 本研究では,表面の単眼画像から直接表面標高マップを推定し,生成する新しい深層学習手法を提案する。
Chandrayaan-2 Terrain Mapping Camera (TMC)画像と対応するDigital Terrain Models (DTM)画像からなるデータセット。
- 参考スコア（独自算出の注目度）: 0.40228234427513104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent times have seen an increase in demand of high quality Digital Elevation Models (DEMs) for the lunar surface, because they are highly important for studying the moon and planning future missions. However, there is an evident lack of detailed elevation data on the Moon. To overcome this limitation, this study proposes a novel deep learning method that estimates and generates a surface elevation map directly from monocular images of the surface. The dataset used comprises of the Chandrayaan-2 Terrain Mapping Camera (TMC) images with their corresponding Digital Terrain Models (DTMs). The study proposes LunarDepthNet, which comprises of a UNet architecture to generate DEMS. It incorporates an EfficientNet encoder and custom layers to correctly learn how the light shadows on the surface relate to the actual elevation values. A combined loss function was also utilized to keep the terrain details accurate and smooth. During validation, the model showed a stable loss convergence of 12%. It achieved a mean nRMSE of 0.437 and an MAE of 4.5m in the testing stage. These results prove the model can generate dependable elevation maps from single orbital images, which are quite useful in regions of the moon where stereo-images are not available.
- Abstract（参考訳）: 近年、月面の高品質デジタル標高モデル(DEM)の需要が高まっている。
しかし、月面の詳細な標高データがないことは明らかである。
この制限を克服するために,表面の単眼画像から直接表面標高マップを推定し,生成する新しい深層学習法を提案する。
使用されるデータセットは、Chandrayaan-2 Terrain Mapping Camera (TMC)画像と対応するDigital Terrain Models (DTM)画像からなる。
この研究は、DEMを生成するUNetアーキテクチャからなるLunarDepthNetを提案する。
EfficientNetエンコーダとカスタムレイヤを組み込んで、表面の光の影が実際の標高値とどのように関連しているかを正確に学習する。
複合的な損失関数は、地形の詳細を正確かつ滑らかに保つためにも利用された。
検証中, モデルは安定な損失収束率12%を示した。
試験段階での平均NRMSEは0.437、MAEは4.5mに達した。
これらの結果は、ステレオ画像が得られない月の領域で非常に有用な、単一の軌道画像から信頼性の高い標高マップを生成することができることを証明している。
関連論文リスト
- MoonAnything: A Vision Benchmark with Large-Scale Lunar Supervised Data [0.13999481573773068]
既存の月のデータセットには、幾何学的基底真理、測光的リアリズム、照明の多様性、大規模カバレッジが欠落している。
実際の月面地形上に物理ベースのレンダリングで構築された統合ベンチマークであるMoonAnythingを紹介する。
我々は最先端の手法を使ってベースラインを確立し、コミュニティ拡張をサポートする生成ツールとともに完全なデータセットをリリースする。
論文 参考訳（メタデータ） (2026-04-01T09:39:15Z) - Vision-Language Model for Accurate Crater Detection [2.6038033465934083]
欧州宇宙機関(ESA)は、クレーターが月面着陸の危険を冒すため、信頼できるクレーター検出に深い関心を持っている。
様々な大きさや形状のクレーターが大量にあることや、照明や凹凸のある地形の変化などの困難な条件のため、これは自明ではない。
本稿では,OWLv2モデルに基づくディープラーニングクレーター検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-01-12T18:08:17Z) - Adapting Stereo Vision From Objects To 3D Lunar Surface Reconstruction with the StereoLunar Dataset [0.12314765641075437]
月の最初のステレオ画像ペアのオープンデータセットであるLunarStereoを紹介する。
月面の南極周辺の様々な高度、照明条件、視角をカバーしている。
我々はLunarStereoの微調整によりMASt3Rモデルを月領域に適応させる。
論文 参考訳（メタデータ） (2025-10-20T23:50:52Z) - AI-Enabled Crater-Based Navigation for Lunar Mapping [12.60100558410094]
クレーターベースのナビゲーション(CBN)は、画像上で観測された月のユビキタス衝突クレーターを自然のランドマークとして使用し、宇宙船の6度の自由なポーズを決定する。
STELLAは、長期の月面マッピングのための最初のエンドツーエンドCBNパイプラインである。
STELLAを厳格にテストするために、私たちはCRESENT-365という1年間の月面マッピングミッションをエミュレートした最初の公開データセットを紹介します。
論文 参考訳（メタデータ） (2025-09-25T05:09:41Z) - Construction of Digital Terrain Maps from Multi-view Satellite Imagery using Neural Volume Rendering [16.61956311882373]
衛星画像から直接テクスチャ化されたデジタル地形図を学習するために、ニューラルネットワークのボリュームレンダリング技術を適用する。
我々は、地球と火星の合成衛星データと実際の衛星データの両方について、我々の手法を実証する。
提案手法は,衛星画像の解像度とほぼ等しい地形予測精度で,有望な結果を示す。
論文 参考訳（メタデータ） (2025-08-02T14:29:20Z) - Generating Synthetic Satellite Imagery With Deep-Learning Text-to-Image Models -- Technical Challenges and Implications for Monitoring and Verification [46.42328086160106]
コンディショニング機構を用いて合成衛星画像の作成方法について検討する。
評価結果は,信頼性と最先端の指標に基づいて評価する。
本稿では,衛星画像の監視と検証の文脈における意義について論じる。
論文 参考訳（メタデータ） (2024-04-11T14:00:20Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z) - MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。
得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。
実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2022-01-26T09:21:41Z)
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。