論文の概要: SpaceRipple: Lightweight Semantic Delivery for Mission-Oriented LEO Earth Observation Satellite Networks
- arxiv url: http://arxiv.org/abs/2606.26559v1
- Date: Thu, 25 Jun 2026 03:10:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.150916
- Title: SpaceRipple: Lightweight Semantic Delivery for Mission-Oriented LEO Earth Observation Satellite Networks
- Title（参考訳）: SpaceRipple: ミッション指向LEO観測衛星ネットワークのための軽量セマンティック配信
- Abstract要約: SpaceRippleは、地球観測衛星ネットワークにおけるミッション指向のセマンティックデリバリとオンボード処理のためのフレームワークである。
忠実度駆動の画像伝送とは異なり、SpaceRippleはコラボレーティブパイプライン内の圧縮、転送、復元、セマンティック推論をコーディネートする。
実験の結果,SpaceRippleは良好な再現性,セマンティック検出性能の向上,帯域幅の大幅な削減を実現していることがわかった。
- 参考スコア（独自算出の注目度）: 25.019211803330382
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Earth observation satellite networks generate massive volumes of high-resolution imagery, whereas inter-satellite and downlink resources remain limited. In many time-sensitive missions, ground users require mission-relevant semantic information rather than a full raw-image downlink. This paper proposes SpaceRipple, a lightweight framework for mission-oriented semantic delivery and on-board processing in Earth observation satellite networks. A sensing satellite performs adaptive compression and metadata generation to reduce inter-satellite traffic, while an edge computing satellite restores the received representation and extracts task-relevant semantic information. Unlike fidelity-driven image transmission, SpaceRipple coordinates compression, forwarding, restoration, and semantic inference within a collaborative pipeline, enabling semantic-oriented delivery instead of pixel-level image delivery. A compression-aware MoE enhancement module is further introduced to improve robustness under degraded visual inputs. Experimental results show that SpaceRipple achieves favorable reconstruction quality, improved semantic detection performance, and substantial bandwidth savings, demonstrating its potential for efficient and reliable Earth observation under constrained satellite-network resources.
- Abstract（参考訳）: 地球観測衛星ネットワークは大量の高解像度画像を生成するが、衛星間やダウンリンクの資源は限られている。
多くの時間に敏感なミッションでは、地上のユーザーは完全な生画像のダウンリンクではなく、ミッション関連セマンティック情報を必要とする。
本論文では,地球観測衛星ネットワークにおけるミッション指向のセマンティック配信とオンボード処理のための軽量なフレームワークであるSpaceRippleを提案する。
エッジコンピューティング衛星は受信した表現を復元し、タスク関連セマンティック情報を抽出する。
忠実度駆動の画像伝送とは異なり、SpaceRippleはコラボレーティブパイプライン内の圧縮、転送、復元、セマンティック推論をコーディネートし、ピクセルレベルの画像配信の代わりにセマンティック指向の配信を可能にする。
さらに圧縮対応のMoE拡張モジュールを導入し、劣化した視覚入力下での堅牢性を改善する。
実験により、SpaceRippleは、衛星ネットワーク資源の制約下での効率的な地球観測の可能性を示し、良好な再構築品質、セマンティック検出性能の向上、バンド幅の大幅な削減を実現していることが示された。
関連論文リスト
- Joint AoI and Handover Optimization in Space-Air-Ground Integrated Network [48.485907216785904]
ローアース軌道(LEO)衛星コンステレーションは、地球をカバーし、遅延を減少させる有望な解決策を提供する。
しかし、軌道力学による間欠的カバレッジと間欠的な通信窓に苦しむ。
我々の3層設計では、HAP-地上通信のための高容量衛星間通信と信頼性無線周波数(RF)リンクに、ハイブリッド自由空間光(FSO)リンクを用いる。
論文 参考訳（メタデータ） (2025-09-16T06:16:56Z) - A Satellite-Ground Synergistic Large Vision-Language Model System for Earth Observation [17.112498759423296]
大型ビジョン言語モデル(LVLM)は、データセンター内の低地球軌道(LEO)衛星地球観測画像の強力な解析能力を解き放つ。
高速衛星の動き、短い衛星地上局(GS)との接触窓、画像の大きさはデータのダウンロードに挑戦する。
LEO衛星ネットワークにおけるLVLMの展開方法と,効率的な衛星地上合成LVLM推論システムであるSpaceVerseの設計について検討する。
論文 参考訳（メタデータ） (2025-07-08T07:24:34Z) - Position Prediction Self-Supervised Learning for Multimodal Satellite Imagery Semantic Segmentation [0.0]
マルチモーダル衛星画像セマンティックセグメンテーションのための位置予測自己教師付き学習手法LOCA(Location-aware)を提案する。
提案手法は,SatMAEのチャネル群をマルチスペクトルからマルチモーダルデータに拡張することで,衛星データのユニークな課題に対処する。
Sen1Floods11フラッドマッピングデータセットに対する我々のアプローチの評価を行い、衛星画像の再構成に基づく自己教師型学習手法を著しく上回る結果を得た。
論文 参考訳（メタデータ） (2025-06-07T16:16:29Z) - A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction [4.824120664293887]
SatelliteMakerは、さまざまなレベルのデータ損失で失われたデータを再構成する拡散ベースの方法である。
条件入力としてのDEM(Digital Elevation Model)は、リアルな画像を生成するために調整されたプロンプトを使用する。
分散損失に基づくVGG-Adapterモジュール。
論文 参考訳（メタデータ） (2025-04-16T14:19:57Z) - Distributed satellite information networks: Architecture, enabling technologies, and trends [56.747473208256174]
分散衛星情報ネットワーク(DSIN)は、多様な衛星システム間での情報ギャップを埋める革新的なアーキテクチャとして登場した。
この調査はまず、DSINの革新的なネットワークアーキテクチャに関する深い議論を提供する。
DSINは、ネットワークの不均一性、予測不可能なチャネルダイナミクス、スパースリソース、分散コラボレーションフレームワークといった課題に直面している。
論文 参考訳（メタデータ） (2024-12-17T06:44:05Z) - COSMIC: Compress Satellite Images Efficiently via Diffusion Compensation [18.963383434754515]
衛星画像の送信を行うための簡易かつ効果的な圧縮ソリューションであるCOSMICを提案する。
まず,衛星間リンクを保存するために,高圧縮率を実現するために,衛星上に軽量エンコーダを設計する。
そこで,地上での再構成のために,デコード時に画像の詳細を補償する拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-10-02T16:05:15Z) - A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。
本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
論文 参考訳（メタデータ） (2024-08-29T06:57:45Z) - Deep Joint Semantic Coding and Beamforming for Near-Space Airship-Borne Massive MIMO Network [70.63240823677182]
近距離飛行船搭載通信網は、緊急に信頼性と効率のよい飛行船対Xリンクを必要とする。
本稿では,MIMO(Multiple-Input multiple-output)技術とセマンティックコミュニケーションを統合することを提案する。
論文 参考訳（メタデータ） (2024-05-30T09:46:59Z) - Unsupervised Discovery of Semantic Concepts in Satellite Imagery with
Style-based Wavelet-driven Generative Models [27.62417543307831]
本稿では,衛星画像の広帯域合成が可能な,最初の事前学習型およびウェーブレット型GANモデルを提案する。
ネットワークの中間的アクティベーションを解析することにより、解釈可能なセマンティックな方向を多数発見できることが示される。
論文 参考訳（メタデータ） (2022-08-03T14:19:24Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳（メタデータ） (2022-07-17T01:35:29Z) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳（メタデータ） (2021-10-28T14:12:10Z)
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。