論文の概要: WaveDINO: Learning-Based Atmospheric Correction of Unwrapped InSAR Interferograms Validated by GNSS: Results at Laguna del Maule and Campi Flegrei Volcanoes
- arxiv url: http://arxiv.org/abs/2606.16795v1
- Date: Mon, 15 Jun 2026 14:38:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.640326
- Title: WaveDINO: Learning-Based Atmospheric Correction of Unwrapped InSAR Interferograms Validated by GNSS: Results at Laguna del Maule and Campi Flegrei Volcanoes
- Title（参考訳）: WaveDINO: GNSSにより検証された未開地InSAR干渉計の学習による大気補正:Laguna del MauleとCampi Flegrei火山における結果
- Abstract要約: InSARインターフェログラムをデノベートする学習手法を提案する。
本稿では,凍結したDINOv3基礎モデルの特徴と地形情報に基づくフレームワークであるWaveDINOを紹介する。
トレーニングでは、短時間のインターフェログラムに重畳された合成マグマソースの変形を使用して、ネットワークを現実的な大気統計に公開する。
- 参考スコア（独自算出の注目度）: 2.6048109465274987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interferometric Synthetic Aperture Radar (InSAR) enables effective monitoring of volcanic deformation; however, the observed signals are often corrupted by atmospheric phase delays, seasonal surface changes, and decorrelation effects. Existing atmospheric correction methods, such as numerical weather model-based methods, can reduce these effects but do not consistently remove atmospheric artefacts and may introduce residual biases. To address these limitations, we propose a novel learning-based method for denoising unwrapped InSAR interferograms, using a hybrid training strategy that combines physically motivated synthetic deformation with real atmospheric noise. Specifically, we introduce WaveDINO, a wavelet-based multi-scale denoising framework conditioned on frozen DINOv3 foundation-model features and terrain information. Training uses synthetic magma-source deformation superimposed on short-term interferograms to expose the network to realistic atmospheric statistics while retaining known ground truth. Performance is evaluated on both controlled synthetic data and long-term real interferograms from Laguna del Maule (Chile) and Campi Flegrei (Italy), with independent GNSS measurements used for validation. WaveDINO consistently outperforms competing models, improving agreement with GNSS measurements, and reducing mean GNSS misfit by approximately 3% and 19% at two sites, respectively, while surpassing weather-model-based corrections.
- Abstract（参考訳）: InSAR(Interferometric Synthetic Aperture Radar)は、火山変動の効果的なモニタリングを可能にするが、観測された信号は大気の位相遅延、季節変化、デコレーション効果によって劣化することが多い。
数値気象モデルに基づく方法のような既存の大気補正手法は、これらの効果を低減できるが、大気の人工物を一貫して除去するわけではなく、残留バイアスをもたらす可能性がある。
これらの制約に対処するために, 物理的に動機付けられた合成変形と実際の大気雑音を併用したハイブリッドトレーニング戦略を用いて, 未知のInSAR干渉電図を識別する新しい学習手法を提案する。
具体的には、凍結したDINOv3基礎モデルの特徴と地形情報に基づくウェーブレットベースのマルチスケールデノナイズフレームワークであるWaveDINOを紹介する。
トレーニングでは、短期干渉計に重畳された合成マグマソース変形を用いて、既知の地上の真実を維持しながら、ネットワークを現実的な大気統計に公開する。
Laguna del Maule (Chile) と Campi Flegrei (Italy) の制御された合成データと長期リアルインターフェログラムの両方で, GNSS の独立測定による評価を行った。
WaveDINOは、競合モデルより一貫して優れ、GNSS測定との一致を改善し、平均GNSSが2つの地点でそれぞれ3%と19%のミスフィットを減らし、気象モデルに基づく補正を上回っている。
関連論文リスト
- When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
物理信号の長距離自己回帰予測は誤差蓄積によって制限される。
物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
論文 参考訳（メタデータ） (2026-06-09T13:46:14Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - K-STEMIT: Knowledge-Informed Spatio-Temporal Efficient Multi-Branch Graph Neural Network for Subsurface Stratigraphy Thickness Estimation from Radar Data [1.6114012813668932]
K-STEMITは、知識インフォームド、効率的、マルチブランチ・テンポラルグラフニューラルネットワークである。
これは、モデル大気地域物理気象モデルから同期された物理データを含んでいる。
地上効率を保ちながら、常に最高精度を達成している。
論文 参考訳（メタデータ） (2026-04-10T21:41:51Z) - AoI-FusionNet: Age-Aware Tightly Coupled Fusion of UWB-IMU under Sparse Ranging Conditions [8.043535466607258]
本稿では,高度に結合したディープラーニングベースの融合フレームワークであるAoI-FusionNetを紹介する。
生超広帯域(UWB)の飛行時間(ToF)測定と慣性測定ユニット(IMU)データを組み合わせて3次元軌道推定を行う。
AoI-FusionNetは、間欠的および劣化した検知条件下での平均および尾位置推定誤差を著しく低減することを示す。
論文 参考訳（メタデータ） (2026-03-13T09:50:57Z) - Gradient Compression May Hurt Generalization: A Remedy by Synthetic Data Guided Sharpness Aware Minimization [42.77143251031899]
フェデレート学習(FL)における勾配圧縮は、無視可能な性能劣化を伴う通信効率を大幅に向上させる。
我々は,大域的モデル軌道を利用して合成データを構築し,大域的摂動の正確な推定を容易にするFedSynSAMを提案する。
論文 参考訳（メタデータ） (2026-02-12T05:08:49Z) - UnwrapDiff: Conditional Diffusion for Robust InSAR Phase Unwrapping [4.164215196408102]
本論文では,InSAR位相解放のための拡散確率モデル(DDPM)に基づくフレームワークUnwrapDiffを提案する。
実験により, 提案モデルでは, 騒音パターンの影響を低減しつつ, 予め条件付きモデルを用いていることがわかった。
ダイク侵入などの困難なケースでは、より良い復元品質を実現する。
論文 参考訳（メタデータ） (2025-12-04T12:38:00Z) - InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク
このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。
提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
論文 参考訳（メタデータ） (2025-09-09T14:53:19Z) - Towards real-time assessment of infrasound event detection capability using deep learning-based transmission loss estimation [5.601176010173589]
国際モニタリングシステムの性能評価には, 超音波透過損失の高精度なモデリングが不可欠である。
最先端の伝搬モデリングツールにより、大気モデルを用いて伝達損失を微細にシミュレートすることができる。
近年の研究では,伝達損失予測をほぼ瞬時に行うディープ・ラーニング・アルゴリズムを用いている。
本研究では, 風場と温度場をニューラルネットワークの入力として使用し, 最大130km, 4,000kmの距離をシミュレートした。
論文 参考訳（メタデータ） (2025-06-03T09:49:12Z) - Predicting the Radiation Field of Molecular Clouds using Denoising
Diffusion Probabilistic Models [2.2215308271891403]
我々は、恒星間放射場(ISRF)強度を4.5,24,250の3バンドダストエミッションに基づいて予測するために、深層学習技術を採用している。
我々のモデルは、複雑で制約の厳しいISRF環境においても、放射線のフィードバック分布を強く予測する。
論文 参考訳（メタデータ） (2023-09-11T20:28:43Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - 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。