論文の概要: STARLINC: Satellite Trail Artifact Removal using Inter-Frame Correlation

• arxiv url: http://arxiv.org/abs/2608.29145v1
• Date: Sat, 29 Aug 2026 08:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.861168
• Title: STARLINC: Satellite Trail Artifact Removal using Inter-Frame Correlation
• Title（参考訳）: STARLINC:フレーム間相関を用いた衛星軌道アーチファクト除去
• Abstract要約: 天体画像のピクセルレベルのアノテーションを必要とせずに、衛星軌道除去のための最初のMLベースのフレームワークであるSTARLINCを紹介する。 実世界のデータに関する実験は、ベースラインよりも大幅に改善され、STARLINCは次世代の天文学調査のためのスケーラブルなソリューションとして確立された。
• 参考スコア（独自算出の注目度）: 8.64153717708179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid expansion of low Earth orbit satellites such as Starlink is increasingly contaminating astronomical surveys. In practice, contaminated images are often identified through inspection. However, modern surveys generate terabytes of data each night, making manual screening infeasible and necessitating reliable automated methods for satellite trail removal. Unfortunately, existing general-domain line detection methods fail to generalize to astronomical images due to domain mismatch, which are mostly grayscale with sparse bright stars and have a low signal-to-noise ratio. Moreover, training new models from scratch is impractical due to the lack of large-scale annotated astronomical datasets. To address these challenges, we introduce STARLINC, the first ML-based framework for satellite trail removal without requiring tedious pixel-level annotation of astronomical images. STARLINC combines synthetic satellite trail generation for training, inter-frame differential maps from temporally adjacent exposures to highlight transient trails, and heatmaps to provide additional localization cues for pixel-level segmentation. Extensive experiments on real-world data demonstrate substantial improvements over baselines, establishing STARLINC as a scalable solution for next-generation astronomical surveys. Code is available at https://github.com/starioKim/STARLINC.
• Abstract（参考訳）: スターリンクのような低軌道衛星の急速な拡大は、天文学的な調査をますます汚染している。 実際には、汚染された画像はしばしば検査によって識別される。 しかし、現代の調査では毎晩テラバイトのデータを生成しており、手動による検診は不可能であり、衛星軌道除去のための信頼性の高い自動化方法が必要である。 残念なことに、既存の一般領域線検出法は、領域ミスマッチによる天体画像の一般化には失敗している。 さらに、大規模な注釈付き天文データセットがないため、スクラッチから新しいモデルをトレーニングすることは不可能である。 これらの課題に対処するため,衛星追跡のためのMLベースの最初のフレームワークであるSTARLINCを導入する。 STARLINCは、トレーニングのための合成衛星トレイルの生成、時間的に隣接した露光からのフレーム間差分マップ、過渡的なトレイルのハイライト、およびヒートマップを組み合わせて、ピクセルレベルのセグメンテーションのための追加のローカライズ手段を提供する。 現実世界のデータに対する大規模な実験は、ベースラインよりも大幅に改善され、次世代の天文学調査のためのスケーラブルなソリューションとしてSTARLINCが確立された。 コードはhttps://github.com/starioKim/STARLINCで入手できる。

関連論文リスト

• A Sensor-Adaptive Incremental Learning Framework for Artifact Detection in Satellite Precipitation Data [0.0]
  本稿では,地球規模の衛星による降雨物中のアーティファクトを識別する異常検出システムの開発について述べる。 その結果, 衛星毎の軌道から正則軌道を分離する手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-09-01T16:43:27Z)
• AstroSURE: Learning to Remove Noise from Astronomical Images Without Ground Truth Data [0.0]
  そこで本研究では,地中画像のクリーン化を伴わずに学習可能なディープラーニングデノベーション手法について検討する。 我々は、ノイズ2ノイズ、スタインのアンバイアスドリスク推定器、および盲点に基づく手法を適応し、比較する。 以上の結果から,これらの手法は,元の雑音画像と比較することで,音源検出性の向上を図っている。
  論文  参考訳（メタデータ） (2026-04-18T02:42:54Z)
• UltraStar: Semantic-Aware Star Graph Modeling for Echocardiography Navigation [52.786325504418585]
  経路回帰からアンカーベースグローバルローカライゼーションへのプローブナビゲーションを再構成するUltraStarを提案する。 1.31万以上のサンプルを持つデータセットの実験では、UltraStarはベースラインを上回り、より長い入力長でスケールすることが示されている。
  論文  参考訳（メタデータ） (2026-03-02T05:21:06Z)
• SATMapTR: Satellite Image Enhanced Online HD Map Construction [11.506320277209745]
  ハイデフィニション(HD)マップは、事前アノテーションからリアルタイムな構築へと進化し、多様なシナリオにおける自動運転のサポートを改善している。 近年の取り組みは衛星画像を補助的な入力として導入し、限られたエゴ視点を補完する安定した広域ビューを提供してきた。 衛星画像を2つのキーコンポーネントに効果的に融合する新しいオンライン地図構築モデルSATMapTRを提案する。
  論文  参考訳（メタデータ） (2025-12-12T06:37:20Z)
• Artificial Satellite Trails Detection Using U-Net Deep Neural Network and Line Segment Detector Algorithm [12.216461590186805]
  画像セグメント化のためのU-NetディープニューラルネットワークとLine Segment Detector (LSD)アルゴリズムを組み合わせた衛星跡検出モデルを提案する。 このモデルはMini-SiTian Arrayのデータから生成された375個の衛星トレイルのシミュレーション画像に基づいて訓練されている。 Mini-SiTian Arrayの実際の観測データに適用すると、79.57のリコールと74.56の精度が得られる。
  論文  参考訳（メタデータ） (2025-09-20T18:38:30Z)
• STAR: A Benchmark for Astronomical Star Fields Super-Resolution [52.895107920663236]
  54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。 本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:28:28Z)
• A New Statistical Model of Star Speckles for Learning to Detect and Characterize Exoplanets in Direct Imaging Observations [37.845442465099396]
  本稿では,マルチスケールアプローチを用いてニュアンス変動を捉える新しい統計モデルを提案する。 これは解釈可能なエンドツーエンドの学習可能なフレームワークに統合され、同時に外惑星の検出とフラックス推定を行う。 提案手法は, 計算効率が高く, 各種データ品質に対して頑健であり, 大規模観測調査に適している。
  論文  参考訳（メタデータ） (2025-03-21T13:07:55Z)
• Pole-based Vehicle Localization with Vector Maps: A Camera-LiDAR Comparative Study [6.300346102366891]
  道路環境では、交通標識、信号機、街灯など多くの一般的な家具がポールの形をしている。 本稿では,自動アノテート画像に基づいて訓練された軽量ニューラルネットワークを用いて,カメラによるポール検出をリアルタイムに行う手法を提案する。 その結果,オープン道路環境における視線に基づくアプローチの精度が向上した。
  論文  参考訳（メタデータ） (2024-12-11T09:05:05Z)
• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image Matching [102.39635336450262]
  地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。 我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
  論文  参考訳（メタデータ） (2022-03-26T20:10:38Z)

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。