論文の概要: Asynchronous Remote Sensing Time-Series Fusion for Cloud Removal and Anytime Reconstruction

• arxiv url: http://arxiv.org/abs/2605.27726v1
• Date: Tue, 26 May 2026 22:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.57267
• Title: Asynchronous Remote Sensing Time-Series Fusion for Cloud Removal and Anytime Reconstruction
• Title（参考訳）: クラウド除去とリアルタイム再構築のための非同期リモートセンシング時間系列融合
• Authors: Forouzan Fallah, Chia Yu Hsu, Wenwen Li, Anna Liljedahl, Yezhou Yang,
• Abstract要約: 本稿では,S1/S2雲の除去と時系列再構成のための時間的流れマッチングモデルを提案する。 AGFlowは、完全に欠落したフレーム再構築を特に改善する(MAEとRMSEは、RESTORE-DiTよりも16-19%削減) SentinelのtheORE-DiTベンチマークプロトコルについて,定量化,定性比較,コンポーネントの短縮による評価を行った。
• 参考スコア（独自算出の注目度）: 23.520256659087583
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Frequent cloud cover severely limits the usability of Sentinel-2 (S2) optical time series for Earth surface monitoring. Sentinel-1 (S1) SAR provides all-weather complementary observations, but practical S1/S2 fusion remains difficult because acquisitions are irregular and asynchronous. Many existing approaches assume temporally aligned inputs (or require external nearest-date matching) and typically restore only observed timestamps, limiting reconstruction under long gaps and preventing on-demand synthesis. We propose AGFlow (Time Aligned Generative Flow Matching), a spatiotemporal flow-matching model for S1/S2 cloud removal and time-series reconstruction with three capabilities: (1) timestamp-conditioned internal alignment that fuses asynchronous S1 and cloudy S2 observations without preprocessing-based pairing; (2) spatiotemporal, context-aware denoising that models spatial structure jointly with temporal dynamics (rather than independent per-pixel time series); and (3) anytime querying, enabling generation of cloud-free S2 frames at both observed and user-specified timestamps within the monitoring window. We evaluate on the RESTORE-DiT benchmark protocol with quantitative metrics, qualitative comparisons, and component ablations. AGFlow notably improves fully missing-frame reconstruction (MAE and RMSE reduce by 16-19% over RESTORE-DiT) and provides reliable reconstructions under persistent gaps, while also yielding competitive cloud removal performance and flexible temporal querying for downstream tasks such as dense vegetation monitoring.
• Abstract（参考訳）: 頻繁な雲は、地球表面モニタリングのためのセンチネル2(S2)光学時系列の使い勝手を著しく制限している。 Sentinel-1 (S1) SARは全天候の相補的な観測を提供するが、取得が不規則で非同期であるため、実用的なS1/S2融合は難しいままである。 既存の多くのアプローチでは、時間的に整列した入力(または、外部から最寄りのマッチングを必要とする)を仮定し、観測されたタイムスタンプのみを復元し、長いギャップの下での再構成を制限し、オンデマンド合成を妨げている。 本稿では,S1/S2雲の除去と時系列再構成のための時空間流れマッチングモデルであるAGFlowを提案する。(1)非同期S1とクラウドS2観測を前処理に基づくペアリングなしで融合させるタイムスタンプ条件付き内部アライメント,(2)時間空間構造と時間的ダイナミックス(画素単位の独立時系列ではなく)を併用した空間構造をモデル化する時空間認識,(3)監視窓内におけるクラウドフリーS2フレームの生成を可能にする時空間問合せ,である。 定量的メトリクス,定性比較,コンポーネントの短縮によるRESTORE-DiTベンチマークプロトコルの評価を行った。 AGFlowは特に、完全な不足フレーム再構築(MAEとRMSEはRESTORE-DiTよりも16-19%削減)を改善し、永続的なギャップの下で信頼性の高い再構築を提供すると同時に、競合するクラウド削除性能と、密集した監視監視などの下流タスクに対するフレキシブルな時間的クエリを提供する。

関連論文リスト

• DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models [78.62380562116135]
  テキスト・トゥ・イメージ(T2I)モデルのための完全に自動化された動的評価フレームワークであるDynT2I-Evalを提案する。 長い形式の記述から構造化された視覚意味空間を構築し、プロンプトを制御可能な次元に分解する。 DynT2I-Evalは、テキストアライメント、知覚品質、美学のモデル性能を評価する。
  論文  参考訳（メタデータ） (2026-05-07T12:53:51Z)
• FoSS: Modeling Long Range Dependencies and Multimodal Uncertainty in Trajectory Prediction via Fourier State Space Integration [21.39395366378851]
  本稿では,周波数領域推論と線形時間列モデリングを融合した二分岐フレームワークFoSSを提案する。 Argoverse 1とArgoverse 2ベンチマークの実験では、FoSSが最先端の精度を実現し、22.5%、パラメータが40%以上削減された。
  論文  参考訳（メタデータ） (2026-03-01T21:38:59Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• UniTS: Unified Time Series Generative Model for Remote Sensing [36.5844767315001]
  Unified Time Series Generative Model (UniTS)は、様々な時系列タスクに適用可能な一般的なフレームワークである。 UniTSは、タスク固有の条件のガイダンスの下で、ノイズからターゲットへの進化経路を構築する。 低レベルと高レベルの両方の時系列タスクにおいて、例外的な生成能力と認知能力を示す。
  論文  参考訳（メタデータ） (2025-12-04T05:07:35Z)
• UST-SSM: Unified Spatio-Temporal State Space Models for Point Cloud Video Modeling [53.199942923818206]
  ポイントクラウドビデオは、光と視点の変化の影響を低減しつつ3Dの動きを捉え、微妙で連続した人間の行動を認識するのに非常に効果的である。 SSM(Selective State Space Models)は、線形複雑性を伴うシーケンスモデリングにおいて優れた性能を示す。 我々は,SSMの最新の進歩をクラウドビデオに向け,統一時空間モデル(UST-SSM)を提案する。
  論文  参考訳（メタデータ） (2025-08-20T10:46:01Z)
• CT-OT Flow: Estimating Continuous-Time Dynamics from Discrete Temporal Snapshots [14.39808568320318]
  Continuous-Time Optimal Transport Flow (CT-OT Flow)は、高解像度のタイムラベルを推論し、連続時間データ分散を再構築するフレームワークである。 CT-OT Flow は OT-CFM, [SF](2)M, TrajectoryNet, MFM, ENOT と比較して分布誤差と軌道誤差を低減する。
  論文  参考訳（メタデータ） (2025-05-23T00:12:49Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Tackling fluffy clouds: robust field boundary delineation across global agricultural landscapes with Sentinel-1 and Sentinel-2 Time Series [1.0251998687197121]
  PTAViT3Dは3次元時系列衛星画像の処理に特化して設計されたディープラーニングアーキテクチャである。 また,PTAViT3Dモデルの拡張であるPTAViT3D-CAを提案する。 この結果から, 優れたグローバルトランスファービリティとロバスト性を示した。
  論文  参考訳（メタデータ） (2024-09-20T15:10:04Z)
• Cloud gap-filling with deep learning for improved grassland monitoring [2.9272689981427407]
  本研究では,クラウドフリー光(Sentinel-2)観測と気象非依存(Sentinel-1)レーダデータを統合する,革新的なディープラーニング手法を提案する。 提案手法では,CNNとリカレントニューラルネットワーク(RNN)を組み合わせたハイブリッドアーキテクチャを用いて連続NDVI時系列を生成する。 我々は,生成したNDVI時系列がモーイングイベント検出の下流タスクに与える影響を評価することにより,観測継続性の重要性を示す。
  論文  参考訳（メタデータ） (2024-03-14T16:41:26Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)

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。