Fugu-MT 論文翻訳(概要): Adapting a Foundation Model for Lunar Surface Height Estimation

論文の概要: Adapting a Foundation Model for Lunar Surface Height Estimation

arxiv url: http://arxiv.org/abs/2609.02448v1
Date: Wed, 02 Sep 2026 11:11:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.239844
Title: Adapting a Foundation Model for Lunar Surface Height Estimation
Title（参考訳）: 月面高さ推定のための基礎モデルの適用
Abstract要約: デジタル標高モデル(DEM)は正確な高度情報を提供し、月面を解析するのに有用である。シェーディング(SfS)やステレオフォトグラムメトリー(SPG)のような画像からDEMを生成する従来の手法は、この課題に非常に有用であることが証明されている。本稿では、よく知られたゼロショット相対深度推定モデルDepth Anything V2(DAV2)に基づく方法論を提案する。その結果, ゼロショットモデルに比べ, DAV2 を月面の信頼性の高い相対深度推定器に効果的に変換した。
参考スコア（独自算出の注目度）: 2.930026359321754
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Digital elevation models (DEMs) can provide accurate height information, making it invaluable for analyzing the lunar surface. As the European Space Agency (ESA) prepares for future lunar missions that aim to land on the Moon, a precise method for height estimation will be essential for hazardous terrain that could endanger the landing approach. Traditional approaches to generate DEMs from imagery, such as shape from shading (SfS) and stereophotogrammetry (SPG) have been proven highly valuable for this task. However, due to advancements in machine learning, especially computer vision, the focus has shifted towards monocular depth estimation via deep learning. The lunar surface is covered by rocks and craters, and classic hazard detection methods rely solely on 2D image data. Our goal is to address this issue by developing a relative lunar surface height estimator that can provide additional information for hazard localization. In this letter, we present a methodology that builds on the well-known zero-shot relative depth estimation model Depth Anything V2 (DAV2). Other works have been using it as a state-of-the-art comparison for their proposed lunar DEM estimation method, but without adaptations to the target domain. Thus, it may underperform. Therefore, we propose a fine-tuning strategy with publicly available SPG-derived DEM data of the lunar surface. Our results demonstrate a significant improvement in performance compared to the zero-shot model, effectively transforming DAV2 into a reliable relative depth estimator of the lunar surface.
Abstract（参考訳）: デジタル標高モデル(DEM)は正確な高度情報を提供し、月面を解析するのに有用である。欧州宇宙機関(ESA)は月面着陸を目指す将来の月面ミッションの準備を進めており、高度推定の正確な方法は、着陸アプローチを危険にさらす可能性のある危険地形に不可欠である。シェーディング(SfS)やステレオフォトグラムメトリー(SPG)のような画像からDEMを生成する従来の手法は、この課題に非常に有用であることが証明されている。しかし、機械学習、特にコンピュータビジョンの進歩により、深層学習による単眼深度推定に焦点が移っている。月の表面は岩やクレーターで覆われており、古典的なハザード検出法は2D画像データのみに依存している。我々のゴールは、この問題を解決するため、相対的な月面高度推定器を開発し、ハザード位置推定のための追加情報を提供することである。本稿では,よく知られたゼロショット相対深度推定モデルDepth Anything V2(DAV2)に基づく手法を提案する。その他の研究では、提案した月のDEM推定手法の最先端比較として使用されてきたが、ターゲット領域への適応は行われていない。そのため、性能は低下する可能性がある。そこで本稿では,月面のSPG由来DEMデータを用いた微調整手法を提案する。その結果, ゼロショットモデルに比べて性能が著しく向上し, DAV2を月面の信頼性の高い相対深度推定器に効果的に変換した。

関連論文リスト

AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World [75.54693105865003]
AerialMetricは,UAV空中視点下での単分子メートル法深度推定の適応性を評価するためのベンチマークデータセットである。 AerialMetricは、52Kの現実世界と16Kの合成画像深度対を信頼できる計量基底真理で提供する。
論文参考訳（メタデータ） (2026-06-29T02:48:47Z)
LunarDepthNet: Generation of Digital Elevation Models using Deep Learning and Monocular Satellite Images [0.40228234427513104]
本研究では,表面の単眼画像から直接表面標高マップを推定し,生成する新しい深層学習手法を提案する。 Chandrayaan-2 Terrain Mapping Camera (TMC)画像と対応するDigital Terrain Models (DTM)画像からなるデータセット。
論文参考訳（メタデータ） (2026-04-22T06:16:13Z)
Vision-Language Model for Accurate Crater Detection [2.6038033465934083]
欧州宇宙機関(ESA)は、クレーターが月面着陸の危険を冒すため、信頼できるクレーター検出に深い関心を持っている。様々な大きさや形状のクレーターが大量にあることや、照明や凹凸のある地形の変化などの困難な条件のため、これは自明ではない。本稿では,OWLv2モデルに基づくディープラーニングクレーター検出アルゴリズムを提案する。
論文参考訳（メタデータ） (2026-01-12T18:08:17Z)
StarryGazer: Leveraging Monocular Depth Estimation Models for Domain-Agnostic Single Depth Image Completion [56.28564075246147]
StarryGazerは、単一のスパース深度画像とRGB画像から高密度深度画像を予測するフレームワークである。我々は、相対深度画像を生成するために、事前訓練されたMDEモデルを用いる。モデルの精度とロバスト性を改善するために、相対深度マップとRGBイメージを組み込んだ合成ペアを用いて改良ネットワークを訓練する。
論文参考訳（メタデータ） (2025-12-15T09:56:09Z)
A Stochastic Approach to Terrain Maps for Safe Lunar Landing [8.1140131376627]
従来の視覚に基づくハザード検出方法は月面では信頼性が低い。月の南極に貴重な資源が存在する可能性があり、多くの宇宙機関や商業企業にとって、この地域への上陸が最優先事項となっている。この技術は、月面環境ではかなりテストされていないため、降下時の危険検出にLiDARを頼っているのは危険である。月面データにはLRO(Lunar Reconnaissance Orbiter)からの豊富なログがあり、降下前に地表の以前の地図を作成するのに使用できる。
論文参考訳（メタデータ） (2025-12-12T21:56:08Z)
Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
論文参考訳（メタデータ） (2025-09-11T18:52:16Z)
LunarLoc: Segment-Based Global Localization on the Moon [52.418394025548295]
GPSのような従来の地球ベースのナビゲーションインフラが利用できない月面での自律的な運用には、グローバルなローカライゼーションが不可欠である。本稿では,グローバルなローカライゼーション手法であるLunarLocを提案する。 LunarLocは、マルチセッショングローバルローカライゼーション実験において、サブcmレベルの精度を実現し、月のグローバルローカライゼーションにおける技術状況を大幅に上回っている。
論文参考訳（メタデータ） (2025-06-20T12:06:47Z)
Enhancing Monocular Height Estimation via Sparse LiDAR-Guided Correction [25.268217296287688]
合成データに基づいて学習した最先端のMHEモデルについて検討する。このモデルは,過大評価や過小評価につながる要因である影の手がかりに大きく依存していることが判明した。本稿では,不完全な大域的LiDAR測定と疎結合な補正パイプラインを提案する。
論文参考訳（メタデータ） (2025-05-11T08:54:09Z)
TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
本研究は,推定時間における相対的推定から距離深度を求めるための実用的スケール回復手法であるTanDepthを提示する。提案手法は,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。推定深度マップから接地点を選択して、投影された基準点と相関するクラスフィルタシミュレーションへの適応を示す。
論文参考訳（メタデータ） (2024-09-08T15:54:43Z)
ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
本研究では,新しい単分子深度推定法であるScaleDepthを提案する。提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
論文参考訳（メタデータ） (2024-07-11T05:11:56Z)
Monocular Visual-Inertial Depth Estimation [66.71452943981558]
単眼深度推定と視覚慣性計測を統合した視覚慣性深度推定パイプラインを提案する。提案手法は, 疎度度に対する大域的スケールとシフトアライメントを行い, 続いて学習に基づく高密度アライメントを行う。本研究では,TartanAir と VOID のデータセットを用いて,密集したスケールアライメントによるRMSE の最大30%の削減を観測した。
論文参考訳（メタデータ） (2023-03-21T18:47:34Z)
Mind The Edge: Refining Depth Edges in Sparsely-Supervised Monocular Depth Estimation [42.19770683222846]
単眼深度推定(MDE)はコンピュータビジョンの基本的な問題であり、多くの応用がある。本稿では,密集した合成データから深度エッジの位置を検出することを提案する。いくつかの挑戦的データセットに対して,画素ごとの深度精度を比較検討することにより,深度エッジの精度が著しく向上したことを示す。
論文参考訳（メタデータ） (2022-12-10T14:49:24Z)
Improving Monocular Visual Odometry Using Learned Depth [84.05081552443693]
単眼深度推定を応用して視力計測(VO)を改善する枠組みを提案する。我々のフレームワークの中核は、多様なシーンに対して強力な一般化能力を持つ単眼深度推定モジュールである。現在の学習型VO法と比較して,本手法は多様なシーンに対してより強力な一般化能力を示す。
論文参考訳（メタデータ） (2022-04-04T06:26:46Z)

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。