論文の概要: Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks

• arxiv url: http://arxiv.org/abs/2605.10958v1
• Date: Mon, 04 May 2026 22:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.257175
• Title: Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks
• Title（参考訳）: 物理誘導コルモゴロフ・アルノルドネットワークによる大気補正係数の多次元エミュレーション
• Authors: Md Abdullah Al Mazid, Naphtali Rishe,
• Abstract要約: 大気補正は光リモートセンシングにおける重要な前処理ステップである。 本研究では,大気補正係数をエミュレートする物理対応多面体サロゲート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）: 0.17188280334580194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atmospheric correction is a critical preprocessing step in optical remote sensing, but repeated high-fidelity radiative transfer simulations remain computationally expensive for dense look-up-table generation, sensitivity analysis, retrieval support, and operational preprocessing. This study presents a physics-aware multi-fidelity surrogate framework for emulating atmospheric correction coefficients using paired 6S and libRadtran simulations. Atmospheric and geometric states are sampled using Latin Hypercube Sampling, and both radiative transfer models are evaluated under matched conditions for Sentinel-2 bands using spectral-response-function-aware coefficient generation. The high-fidelity targets are path reflectance, total transmittance, and spherical albedo. A physics-guided Kolmogorov-Arnold Network, termed pKANrtm, receives the atmospheric state and low-fidelity 6S coefficients, predicts the residual relative to libRadtran, and reconstructs the high-fidelity coefficients. The pKANrtm model uses an Efficient-KAN architecture and is trained with a physics-consistency penalty applied in the original coefficient space. The proposed model is evaluated against state-of-the-art regression-based RTM surrogates. Across both standard and out-of-distribution evaluation settings, pKANrtm achieves the strongest overall predictive performance among the compared models. Runtime benchmarking demonstrates substantial acceleration relative to libRadtran, with GPU inference providing approximately four orders of magnitude single-sample speedup and batched inference reaching tens of thousands of samples per second. These results indicate that physics-aware multi-fidelity pKANrtm emulation provides an accurate, physically structured, and computationally efficient strategy for atmospheric correction coefficient generation.
• Abstract（参考訳）: 大気補正は、光リモートセンシングにおいて重要な前処理ステップであるが、高密度のルックアップテーブル生成、感度分析、検索支援、運用前処理において、繰り返し発生する高忠実度放射移動シミュレーションは計算コストがかかる。 本研究では,2組の6SとlibRadtranシミュレーションを用いて大気補正係数をエミュレートする物理対応多面体サロゲートフレームワークを提案する。 大気中および幾何状態は、ラテンハイパーキューブサンプリングを用いてサンプリングし、スペクトル応答関数認識係数生成を用いて、センチネル2バンドの整合条件下で放射移動モデルの評価を行った。 高忠実度ターゲットは、経路反射率、全透過率、球状アルベドである。 pKANrtmと呼ばれる物理誘導のコルモゴロフ・アルノルドネットワークは、大気状態と低忠実度6S係数を受け取り、libRadtranに対する相対的な相対性を予測し、高忠実度係数を再構成する。 pKANrtmモデルは効率的なKANアーキテクチャを使用し、元の係数空間に適用される物理一貫性のペナルティで訓練される。 提案モデルは, 最先端の回帰に基づくRTMサロゲートに対して評価される。 pKANrtmは、標準およびアウト・オブ・ディストリビューション評価設定の両方で、比較したモデルの中で最も高い総合的な予測性能を達成する。 実行時のベンチマークでは、libRadtranに対して、GPU推論が約4桁のシングルサンプルスピードアップを提供し、バッチ推論は毎秒数万のサンプルに到達している。 これらの結果は,物理に配慮した多面体pKANrtmエミュレーションが,大気補正係数生成のための正確で物理的に構造化され,計算的に効率的な戦略を提供することを示している。

関連論文リスト

• A Latent Representation Learning Framework for Hyperspectral Image Emulation in Remote Sensing [2.607903424600012]
  本稿では,ハイパースペクトルデータの潜在表現を学習するハイパースペクトルエミュレーションのための潜在表現に基づくフレームワークを提案する。 提案手法は、スペクトルレベルと空間スペクトルエミュレーションの両方をサポートし、直接1段階の定式化や2段階の戦略で訓練することができる。 PROSAILシミュレーション植生データとSentinel-3 OLCI画像による実験により,本手法が古典的回帰型エミュレータより優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-23T12:32:09Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Geometric and Topological Deep Learning for Predicting Thermo-mechanical Performance in Cold Spray Deposition Process Modeling [0.33842793760651557]
  本研究では,有限要素シミュレーションデータを用いた寒冷噴霧粒子衝突応答予測のための幾何学的深層学習フレームワークを提案する。 パラメトリックデータセットは、粒子速度、粒子温度、摩擦係数の体系的な範囲にまたがる自動Abaqusシミュレーションによって生成された。 グラフSAGE型インダクティブグラフニューラルネットワーク,チェビシェフスペクトルグラフ畳み込みネットワーク,トポロジカルデータ解析拡張多層パーセプトロン,幾何学的アテンションネットワークの4つの新しいアルゴリズムを実装し,評価した。
  論文  参考訳（メタデータ） (2026-03-15T16:46:05Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Deterministic and probabilistic neural surrogates of global hybrid-Vlasov simulations [3.7612198046810814]
  ハイブリッド・ブラソフシミュレーションは、太陽風と磁気圏の相互作用をモデル化するためのイオン-運動効果を解く。 グラフベース機械学習エミュレータは、電界の進化とイオン速度分布の低次モーメントを学習できることを示す。
  論文  参考訳（メタデータ） (2026-01-18T23:13:23Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Towards scalable surrogate models based on Neural Fields for large scale aerodynamic simulations [0.0]
  本稿では,ニューラルネットワークに基づく空力応用のための新しい代理モデリングフレームワークを提案する。 提案手法であるMARIOは、効率的な形状符号化機構によって非パラメトリックな幾何学的変動に対処する。 フル解像度の推論中に一貫した精度を維持しながら、大幅にダウンサンプルされたメッシュのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-05-14T10:49:08Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。