論文の概要: Fast Fourier Convolutional GAN for 30 m Clear-Sky Land Surface Temperature Gap-Free Reconstruction

• arxiv url: http://arxiv.org/abs/2607.22734v1
• Date: Wed, 22 Jul 2026 12:57:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.84821
• Title: Fast Fourier Convolutional GAN for 30 m Clear-Sky Land Surface Temperature Gap-Free Reconstruction
• Title（参考訳）: 30mクリアランド表面温度ギャップフリー再構築のための高速フーリエ畳み込み型GAN
• Abstract要約: 小型ランドサット画像における雲汚染画素の再構成のためのマルチモーダル高速フーリエ畳み込みGANを提案する。 提案手法により、70%以上の雲が引き起こすギャップのあるシーンを含む、広範囲の行方不明領域の回復が可能になる。
• 参考スコア（独自算出の注目度）: 18.68588766881938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite-derived Land Surface Temperature (LST) provides spatially comprehensive data that ground stations cannot match. However, its utility is frequently limited by severe data gaps due to the presence of clouds. As LST is essential for understanding land-atmosphere interactions, numerous methods have been proposed to address this challenge. Yet, the development of a scalable and adaptable pipeline for generating gap-free LST datasets and reconstructing cloud-contaminated pixels remains challenging. Moreover, the reconstruction of extensive missing regions in fine-spatial-resolution observations is particularly difficult. To address this challenge, we propose a Multimodal Fast Fourier Convolutional GAN for reconstructing cloud-contaminated pixels in fine-resolution (30 m) Landsat imagery to generate gap-free clear-sky LST products. The method leverages Fast Fourier Convolution to enable a global receptive field across the image, and is guided by a stack of data consisting of satellite observations and Synthetic Aperture Radar (SAR) data. Across all LST quantiles, the interquartile range of scene-averaged RMSE (computed over reconstructed pixels) is consistently between 0.8 K and 1.8 K. The proposed approach enables the recovery of extensive missing regions, including scenes with more than 70% cloud-induced gaps, while relying on auxiliary data that are readily available at a near-global scale.
• Abstract（参考訳）: 衛星由来の地表面温度(LST)は地上局が一致できないような空間的包括的なデータを提供する。 しかし、そのユーティリティは、雲の存在によって深刻なデータギャップによってしばしば制限される。 LSTは陸上と大気の相互作用を理解するのに不可欠であるため、この問題に対処するために多くの方法が提案されている。 しかし、ギャップのないLSTデータセットを生成し、クラウドに汚染されたピクセルを再構築するためのスケーラブルで適応可能なパイプラインの開発は、依然として困難である。 さらに,微小空間分解能観測における広範囲の欠落領域の再構築は特に困難である。 この課題に対処するために,Landsatの微細解像度(30m)で雲汚染画素を再構成し,ギャップフリーのクリアスキーLCT生成を行うマルチモーダル高速フーリエ畳み込みGANを提案する。 この方法は、Fast Fourier Convolutionを活用して、画像全体にわたるグローバルな受容野を可能にし、衛星観測と合成開口レーダ(SAR)データからなるデータのスタックでガイドされる。 提案手法は, 雲によって引き起こされるギャップが70%を超えるシーンを含む, 広範囲の欠落領域の回復を可能にするとともに, 近接球状スケールで容易に利用できる補助データにも依存する。

関連論文リスト

• Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
  局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。 ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T16:32:25Z)
• Heterogeneous SAR-optical fusion for near-real-time land use and land cover mapping under cloud contamination: A novel framework and global benchmark dataset [8.89851770832353]
  CloudLULC-Netは、エンドツーエンドのヘテロジニアスなSAR-光融合フレームワークである。 雲に汚染されたSentinel-2画像と時間的に隣接したSentinel-1 SAR観測からLULCマップを直接予測する。 CloudLULC-NetのOAは86.60%、F1スコアは83.29%、mIoUは73.51%である。
  論文  参考訳（メタデータ） (2026-06-16T09:25:10Z)
• Task-Driven Prompt Learning: A Joint Framework for Multi-modal Cloud Removal and Segmentation [11.468907022707013]
  TDP-CRはタスク駆動のフレームワークで、クラウド削除と土地被覆のセグメンテーションを共同で行う。 我々のアプローチの中心は、雲の厚さと空間の不確かさを符号化する学習可能な劣化プロンプトを利用するPrompt-Guided Fusionメカニズムである。 LuojiaSET-OSFCRデータセットの実験は、我々のフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2026-01-17T13:32:38Z)
• Reconstructing Building Height from Spaceborne TomoSAR Point Clouds Using a Dual-Topology Network [17.230182354159258]
  生のTtomoSAR点を高解像度のビルディングハイトマップに変換するための学習ベースのフレームワークを提案する。 我々の双対トポロジーネットワークは、不規則な散乱器の特徴をモデル化する点分枝と、空間的一貫性を強制する格子分枝とを交互に扱う。 これは、TtomoSAR点雲から直接、大規模な都市高度マッピングを行うための最初の概念実証である。
  論文  参考訳（メタデータ） (2026-01-02T11:34:35Z)
• UrbanDIFF: A Denoising Diffusion Model for Spatial Gap Filling of Urban Land Surface Temperature Under Dense Cloud Cover [0.0]
  雲汚染した都市部LST画像の再構成のための空間デノナイズ拡散モデルであるUrbanDIFFを紹介する。 アーバンDIFFは2002年から2025年までの7大都市圏のNASA MODIS Terra LSTデータを用いて訓練され評価されている。
  論文  参考訳（メタデータ） (2025-12-19T16:51:29Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification [5.6087513714958686]
  複雑な都市部におけるランドサットのLSTを再構築するための,年間気温サイクルとプロセスを統合するアンサンブル学習手法であるDELAGを提案する。 デラグはニューヨーク市、ロンドン、香港で3つの地域から研究エリアとしてLSTの再建に成功した。 以上の結果から,DLAGによる再建が成功し,正確な空気温度を推定するためのLST再建の広範な応用が明らかとなった。
  論文  参考訳（メタデータ） (2025-02-20T10:35:01Z)
• SST: Real-time End-to-end Monocular 3D Reconstruction via Sparse Spatial-Temporal Guidance [71.3027345302485]
  リアルタイムモノクル3D再構成は未解決の課題である。 視覚SLAMシステムからのスパース推定点を利用したエンドツーエンドの3D再構成ネットワークSSTを提案する。 SSTは、59FPSで高い推論速度を維持しながら、最先端の競合他社よりも優れています。
  論文  参考訳（メタデータ） (2022-12-13T12:17:13Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
  本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。 具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。 この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-04-06T15:07:16Z)

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。