論文の概要: Improving Lunar Topography with Deep Learning Schrödinger Bridges
- arxiv url: http://arxiv.org/abs/2606.14638v1
- Date: Fri, 12 Jun 2026 17:04:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:43.003631
- Title: Improving Lunar Topography with Deep Learning Schrödinger Bridges
- Title（参考訳）: 深層学習型シュレーディンガー橋による月面地形改善
- Authors: Matthew Repasky, Erwan Mazarico, Michael K. Barker, Stefano Bertone, Terence J. Sabaka, Yao Xie,
- Abstract要約: 月面地形の超解像に対する拡散型シュルディンガーブリッジ (SB) 生成モデリング手法を提案する。
提案手法は,対象解像度の光学画像を用いて,先行低解像度地形を改善する既存のShading法に着想を得たものである。
我々は、月面地形の新たなデータセットに基づいてSBを訓練し、月周回軌道狭角カメラの光学画像をエミュレートする。
- 参考スコア（独自算出の注目度）: 8.767086905975622
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Increasing the resolution of planetary topography models can enable a better understanding of surface processes and geomorphology; however, existing analytical super-resolution methods are expensive and difficult to apply at large scales. Generative models provide the tools to learn complex relationships within data and can be applied at scale due to hardware accelerators and parallelization. We present a diffusion-based Schrödinger Bridge (SB) generative modeling approach for lunar topography super-resolution, connecting the distribution of low-resolution topography to that of high-resolution topography, incorporating physically-constraining optical imagery. Our approach is inspired by existing Shape-from-Shading methods, which improve a priori low-resolution topography by using optical images at the target resolution. We train SBs on a novel dataset of rendered lunar topography, emulating optical imagery from the Lunar Reconnaissance Orbiter Narrow Angle Camera. The result is a flexible approach for topography super-resolution which can provide pixel-level uncertainties in the reconstruction.
- Abstract（参考訳）: 惑星地形モデルの解像度を高めることで、地表の過程や地形の理解を深めることができるが、既存の分析的超解法は高価であり、大規模に適用することは困難である。
生成モデルは、データ内の複雑な関係を学習するツールを提供し、ハードウェアアクセラレーションと並列化のために大規模に適用することができる。
本稿では,高分解能トポグラフィーと高分解能トポグラフィーの分布を接続し,物理的に制約された光学画像を含む,月の超解像のための拡散型シュレーディンガーブリッジ(SB)生成モデリング手法を提案する。
提案手法は,対象解像度の光学画像を用いて,先行低解像度地形を改善する既存のShading法に着想を得たものである。
我々は月面地形の新たなデータセットを用いてSBを訓練し、月周回軌道狭角カメラの光学画像をエミュレートする。
その結果、地形超解像に対するフレキシブルなアプローチにより、再構成におけるピクセルレベルの不確実性を提供することができる。
関連論文リスト
- POLISH'ing the Sky: Wide-Field and High-Dynamic Range Interferometric Image Reconstruction with Application to Strong Lens Discovery [11.298470486007806]
実環境下での堅牢な再構築と超解像を実現するための改良を提案する。
本研究は,次世代電波天文学の実用的でスケーラブルなツールとして,DLモデルの可能性を強調した。
論文 参考訳（メタデータ） (2026-03-10T03:59:26Z) - High-fidelity lunar topographic reconstruction across diverse terrain and illumination environments using deep learning [4.190898032627423]
この研究は、より堅牢なスケール回復スキームを取り入れた、以前に提案されたDLフレームワークを基盤としている。
様々なスケール、形態学、地質学的年齢の月の地形を確実に再構築する。
これらの結果は、DLベースのアプローチは、高度な探査ミッションを支援するために広範囲な月面データセットを活用する可能性があることを示唆している。
論文 参考訳（メタデータ） (2026-01-14T13:21:09Z) - Deblur Gaussian Splatting SLAM [57.35366732452066]
Deblur-SLAMは、モーションブルーの入力から鋭い復元を回復するために設計された堅牢なRGB SLAMパイプラインである。
我々は、動きブル画像の物理画像形成過程をモデル化し、観察されたぼやけた画像とぼやけた画像との誤差を最小化する。
我々は,合成および実世界のぼやけた入力データを用いて,シャープマップ推定とサブフレームトラジェクトリ回復のための最先端結果を得る。
論文 参考訳（メタデータ） (2025-03-16T16:59:51Z) - Deep Learning based Optical Image Super-Resolution via Generative Diffusion Models for Layerwise in-situ LPBF Monitoring [4.667646675144656]
我々は,ビルドプレートの低解像度画像とビルドプレートの詳細な高解像度光学画像とを関連付けるために,生成的深層学習モデルを実装した。
低解像度Webカメラ画像からビルドプレートの現実的な高解像度画像を生成するために,条件付き潜在確率拡散モデルを訓練した。
また, 印刷部の3次元形状を再現し, 復元した試料の表面粗さを解析する枠組みを設計した。
論文 参考訳（メタデータ） (2024-09-20T02:59:25Z) - FouriScale: A Frequency Perspective on Training-Free High-Resolution Image Synthesis [48.9652334528436]
本稿では、周波数領域解析の観点から、FouriScaleの革新的な学習不要アプローチを紹介する。
従来の拡散モデルの畳み込み層を,低域演算とともに拡張手法を組み込むことで置き換える。
提案手法は, 生成画像の構造的整合性と忠実度をバランスさせ, 任意のサイズ, 高解像度, 高品質な生成の驚くべき能力を実現する。
論文 参考訳（メタデータ） (2024-03-19T17:59:33Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Light Field Reconstruction via Deep Adaptive Fusion of Hybrid Lenses [67.01164492518481]
本稿では,ハイブリットレンズを用いた高分解能光場(LF)画像の再構成問題について検討する。
本稿では,入力の特徴を包括的に活用できる新しいエンドツーエンド学習手法を提案する。
我々のフレームワークは、高解像度なLFデータ取得のコストを削減し、LFデータストレージと送信の恩恵を受ける可能性がある。
論文 参考訳（メタデータ） (2021-02-14T06:44:47Z) - Digital Elevation Model enhancement using Deep Learning [0.0]
畳み込みニューラルネットワークを用いた光学画像と深層学習を用いた惑星デジタル高度モデル(DEM)の高忠実度向上を実証する。
深層学習に基づくフォトクリノメトリは、非理想的な照明条件によって見えない特徴を頑健に回復する。
解析の結果,DEM傾斜誤差は従来の労働集約手法を用いた高分解能マップに匹敵することがわかった。
論文 参考訳（メタデータ） (2021-01-13T00:07:57Z)
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。