論文の概要: Towards Seamless Lunar Mosaics: Deep Radiometric Normalization for Cross-Sensor Orbital Imagery Using Chandrayaan-2 TMC Data
- arxiv url: http://arxiv.org/abs/2604.25208v1
- Date: Tue, 28 Apr 2026 04:26:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.71321
- Title: Towards Seamless Lunar Mosaics: Deep Radiometric Normalization for Cross-Sensor Orbital Imagery Using Chandrayaan-2 TMC Data
- Title（参考訳）: シームレス月面モザイクに向けて:Chandrayaan-2 TMCデータを用いたクロスセンサー軌道画像の深部ラジオメトリック正規化
- Authors: Pratincha Singh, Jai Gopal Singla, Prashant Hemrajani, Nitant Dube, Amithabh, Hinal Patel,
- Abstract要約: 放射線測定の不整合は、多ミッション軌道画像からシームレスな月面モザイクを生成する上で大きな課題である。
本稿では,多ミッション月面モザイクのための深層学習に基づくラジオメトリック正規化フレームワークを提案する。
その結果,大規模惑星モザイクの学習に基づく放射能正規化の有効性が示された。
- 参考スコア（独自算出の注目度）: 0.205246094017924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiometric inconsistencies remain a major challenge in generating seamless lunar mosaics from multi-mission orbital imagery due to variability in illumination geometry, sensor characteristics, and acquisition conditions. This paper presents a deep learning-based radiometric normalization framework for multi-mission lunar mosaics constructed primarily from ISRO's Chandrayaan-2 Terrain Mapping Camera (TMC) data, supplemented with auxiliary imagery from the SELENE (Kaguya) mission. The proposed approach employs a conditional generative adversarial network (cGAN) comprising a U-Net-based generator and a PatchGAN discriminator to learn a nonlinear radiometric mapping from conventionally mosaicked lunar imagery to a photometrically consistent reference derived from LROC Wide Angle Camera (WAC) data. A patch-based training strategy with overlap-aware inference is adopted to enable scalable processing of large-area mosaics while preserving structural continuity across tile boundaries. Quantitative evaluation using Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), and Root Mean Square Error (RMSE) demonstrates consistent improvements over traditional histogram-based normalization techniques. The proposed framework achieves enhanced tonal uniformity, reduced seam artifacts, and improved structural coherence across multi-source lunar datasets. These results highlight the effectiveness of learning-based radiometric normalization for large-scale planetary mosaicking and demonstrate its potential for generating high-fidelity lunar surface maps from heterogeneous orbital imagery.
- Abstract（参考訳）: 放射線測定の不整合性は、照明幾何学、センサー特性、取得条件の変動により、多ミッション軌道画像からシームレスな月モザイクを生成する上で大きな課題である。
本稿では,ISROのChandrayaan-2 Terrain Mapping Camera(TMC)データから構築したマルチミッション月モザイクの深層学習に基づく放射能正規化フレームワークについて述べる。
提案手法では, 従来のモザイク画像からLROCワイドアングルカメラ(WAC)データからの非線形放射計マッピングを学習するために, U-Net 生成器と PatchGAN 識別器からなる条件生成対向ネットワーク (cGAN) を用いる。
タイル境界を越えた構造的連続性を保ちながら、大規模モザイクのスケーラブルな処理を可能にするために、重複認識によるパッチベースのトレーニング戦略が採用されている。
構造類似度指数(SSIM)、ピーク信号-雑音比(PSNR)、ルート平均角誤差(RMSE)を用いた定量的評価は、従来のヒストグラムに基づく正規化技術よりも一貫した改善を示す。
提案するフレームワークは,音節の均一性の向上,シームアーティファクトの削減,マルチソース月面データセット間の構造コヒーレンスの向上を実現している。
これらの結果は、大規模な惑星モザイク観測における学習に基づく放射能正規化の有効性を強調し、不均一な軌道画像から高忠実な月面マップを生成する可能性を示した。
関連論文リスト
- Sub-metre Lunar DEM Generation and Validation from Chandrayaan-2 OHRC Multi-View Imagery Using an Open-Source Pipeline [0.2174820084855635]
月面の高解像度デジタル標高モデル(DEM)は、地表移動計画、着陸地点のキャラクタリゼーション、惑星科学に不可欠である。
本研究は,Orbiter High Resolution Camera (OHRC) からのサブメタルDEMの生成を,オープンソースパイプラインのみを用いたマルチビュー画像として初めて行ったものである。
次に、高密度ステレオ対応と光三角測量を適用して点雲を生成し、5つの地理的に分布する月面の約24～54cmの空間分解能でDEMに格子状にグリッドする。
論文 参考訳（メタデータ） (2026-04-01T15:43:04Z) - MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす
マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
論文 参考訳（メタデータ） (2026-01-03T14:58:52Z) - GDROS: A Geometry-Guided Dense Registration Framework for Optical-SAR Images under Large Geometric Transformations [24.22541638346487]
我々はGDROSを提案する。GDROSはグローバルなクロスモーダル画像の相互作用を利用したジオメトリ誘導型密度登録フレームワークである。
まず、CNN-Transformerハイブリッド特徴抽出モジュールを用いて、光学画像とSAR画像からクロスモーダルな深度特徴を抽出する。
次に、予測された高密度光流場を幾何学的に制約する最小二乗回帰(LSR)モジュールを実装した。
論文 参考訳（メタデータ） (2025-11-01T15:40:34Z) - Comparative Evaluation of Traditional and Deep Learning Feature Matching Algorithms using Chandrayaan-2 Lunar Data [0.0]
様々な月面センサーのデータを調整することは、解像度、照明、センサーの歪みの違いによって困難である。
我々は赤道領域と極域領域のクロスモダリティ画像ペアを用いた5つの特徴マッチングアルゴリズムの評価を行った。
ジオレファレンス、解像度アライメント、強度正規化、適応ヒストグラム等化などの拡張を含む前処理パイプラインを提案する。
論文 参考訳（メタデータ） (2025-09-05T03:10:00Z) - Bayesian Deconvolution of Astronomical Images with Diffusion Models: Quantifying Prior-Driven Features in Reconstructions [40.13294159814764]
天体画像のデコンボリューションは、天体の固有の性質を回復する鍵となる側面である。
本稿では,拡散モデル (DM) と拡散後サンプリング (DPS) アルゴリズムを用いた逆問題解法を提案する。
論文 参考訳（メタデータ） (2024-11-28T14:00:00Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - SIRAN: Sinkhorn Distance Regularized Adversarial Network for DEM
Super-resolution using Discriminative Spatial Self-attention [5.178465447325005]
DEM(Digital Elevation Model)は、リモートセンシング領域において、表面標高情報に関連するさまざまなアプリケーションを分析し、探索するための重要な側面である。
本研究では,高分解能マルチスペクトル(MX)衛星画像を用いた高分解能DEMの生成について検討する。
本稿では,Sinkhorn 距離を従来の GAN に最適化することで,対角学習の安定性を向上する目的関数を提案する。
論文 参考訳（メタデータ） (2023-11-27T12:03:22Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳（メタデータ） (2021-03-22T18:06:58Z)
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。