論文の概要: Recovering Cloud Microstructures with Cascaded Diffusion Inversion
- arxiv url: http://arxiv.org/abs/2607.05637v1
- Date: Mon, 06 Jul 2026 20:57:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.32687
- Title: Recovering Cloud Microstructures with Cascaded Diffusion Inversion
- Title（参考訳）: カスケード拡散インバージョンによる雲の微細構造復元
- Abstract要約: 高解像度の衛星画像は、降雨防止のために雲の種付けのような天候変化戦略を知らせる微細な雲構造を観測するために重要である。
現在の超解像法は自然画像に適しており、衛星が捉えた雲のスペクトル画像への一般化に苦慮している。
マルチスペクトル雲の微細構造の分解能を4倍に高めるための2段階拡散型超解像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）: 14.490263083353947
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: High-resolution satellite imagery is critical for observing fine-scale cloud structures that inform weather modification strategies like cloud seeding for rain-enhancement. However, the spatial resolution of current geostationary and polar-orbiting satellites is often insufficient for capturing small cloud features. Current super-resolution methodologies are suited for natural images and, therefore, struggle to generalize to satellite-captured spectral images of cloud cover. To address this, we propose a two-stage diffusion-based super-resolution framework to enhance the resolution of multi-spectral cloud microstructures by a factor of $4\times$. Specifically, we use inverse diffusion to recover the high resolution properties from low resolution. Stage 1 utilizes real-world paired data to learn robust degradation handling and inter-sensor alignment, while Stage 2 employs a self-supervised internal downgrading of high resolution data to refine structural learning and texture synthesis. Our approach outperforms the state-of-the-art transformer and diffusion-based baselines in both reconstruction accuracy and visual quality. We demonstrate that the two-stage method better captures fine cloud microstructures (e.g. convective turrets and cloud gaps) that are crucial for effective cloud seeding decisions. Ablation studies confirm the complementary benefits of the two stages: Stage 1 excels in coarse structural fidelity, while Stage 2 contributes enhanced detail and realism. These results highlight a practical path toward improving cloud microphysics analysis and as a step towards utilizing AI for climate and sustainability. Our code and models are publicly available at: https://github.com/hananshafi/superresolution-cloud-microphysics.
- Abstract（参考訳）: 高解像度の衛星画像は、降雨防止のために雲の種付けのような気象変化戦略を知らせる微細な雲構造を観測するために重要である。
しかし、現在の静止衛星と極軌道衛星の空間分解能は、しばしば小さな雲の特徴を捉えるのに不十分である。
現在の超解像法は自然画像に適しており、衛星が捉えた雲のスペクトル画像への一般化に苦慮している。
そこで本研究では,マルチスペクトル雲の分解能を4-times$で向上する2段階拡散型超解像フレームワークを提案する。
具体的には,低分解能から高分解能特性を回復するために逆拡散を用いる。
ステージ1は実世界のペアデータを用いて堅牢な劣化処理とセンサ間のアライメントを学習し、ステージ2は構造学習とテクスチャ合成を洗練させるために、高解像度データの自己監督型内部分解を用いる。
提案手法は,再現精度と視覚的品質の両方において,最先端のトランスフォーマーと拡散ベースラインより優れる。
この2段階の手法は,効率的なクラウドシード決定に不可欠な微細な雲の微細構造(対流砲塔や雲の隙間など)をよりよく捉えることを実証する。
アブレーション研究は2つの段階の相補的な利点を裏付ける: ステージ1は粗い構造的忠実性に優れ、ステージ2は細部とリアリズムの強化に寄与する。
これらの結果は、気候と持続可能性にAIを活用するためのステップとして、クラウドマイクロ物理分析を改善するための実践的な道のりを浮き彫りにしている。
私たちのコードとモデルは、https://github.com/hananshafi/super resolution-cloud-microphysics.comで公開されています。
関連論文リスト
- Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。
マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。
降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-05-22T15:50:00Z) - SatFlow: Generative model based framework for producing High Resolution Gap Free Remote Sensing Imagery [0.0]
SatFlowは低分解能MODIS画像とランドサット観測を融合して高分解能・高分解能表面反射率画像を生成する生成モデルベースフレームワークである。
条件付きフローマッチングを用いて学習した本モデルでは, 構造的・スペクトル的整合性のある画像の生成性能が向上した。
この機能は、作物のフェノロジー追跡や環境変化検出など、下流のアプリケーションに不可欠である。
論文 参考訳（メタデータ） (2025-02-03T06:40:13Z) - LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds [38.42527849407057]
LiDARとフォトグラムは、それぞれポイントクラウド取得のためのアクティブおよびパッシブリモートセンシング技術である。
感知機構、空間分布、座標系に根本的な違いがあるため、それらの点雲は密度、精度、ノイズ、重なり合いにおいて大きな違いを示す。
本稿では, マスク付きオートエンコーダをベースとした自己教師型登録ネットワークを提案し, 異種LiDARと光グラム点雲に着目した。
論文 参考訳（メタデータ） (2025-01-10T02:36:37Z) - IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
雲除去のための反復拡散過程(IDF-CR)を提案する。
IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。
潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
論文 参考訳（メタデータ） (2024-03-18T15:23:48Z) - Mitigating Prior Shape Bias in Point Clouds via Differentiable Center Learning [15.132585178169423]
微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。
グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。
実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
論文 参考訳（メタデータ） (2024-02-03T08:58:23Z) - Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote
Sensing Imagery [48.14610248492785]
雲層は、光学リモートセンシング(RS)画像の品質と効果を著しく損なう。
既存のディープラーニング(DL)ベースのクラウド削除(CR)技術は、元の視覚的正当性と画像の詳細なセマンティック内容の正確な再構築に困難を伴う。
この課題に対処するために、データと方法論の面での強化を提案する。
論文 参考訳（メタデータ） (2024-01-25T13:14:17Z) - CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross
Attention for Satellite Image Cloud Segmentation [5.178465447325005]
ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。
本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。
Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
論文 参考訳（メタデータ） (2023-11-29T09:31:31Z) - UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical
Satellite Time Series [19.32220113046804]
本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。
予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
論文 参考訳（メタデータ） (2023-04-11T19:27:18Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T17:58:56Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳（メタデータ） (2020-03-02T13:28:32Z)
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。