論文の概要: Distilling deep optical flow stereo methods to retrieve dense three-dimensional wind fields
- arxiv url: http://arxiv.org/abs/2609.03100v1
- Date: Wed, 02 Sep 2026 19:22:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.843011
- Title: Distilling deep optical flow stereo methods to retrieve dense three-dimensional wind fields
- Title（参考訳）: 高密度3次元風況の回収のための深部光学的流れステレオ法
- Abstract要約: 静止大気運動ベクトル(英語版)(AMV)は、データ同化系に吸収される密度の水平風ベクトル(u,v)と高さを提供する。
従来のAMVは、ウィンドウベースのクロスコリレーションと、数値気象予知(NWP)の背景状態と組み合わせた赤外線輝度温度による推定高さを用いて、特徴をトラックする。
ステレオマッチングにおけるウィンドウベースのトラッキングと深部光学的流れを置き換え、効率よく検索を改良する。
- 参考スコア（独自算出の注目度）: 1.9773952530645156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geostationary atmospheric motion vectors (AMVs) provide the dense horizontal wind vectors (u,v) and heights ingested into data assimilation systems. Traditional AMVs track features using window-based cross-correlation and estimate heights via infrared brightness temperatures paired with numerical weather prediction (NWP) background states, creating a circular dependency that yields inaccurate heights, high computational cost, and sparse retrievals. Stereo winds from GEO-GEO and GEO-LEO geometrically resolve heights from parallax shifts across different poses, eliminating NWP dependence and improving accuracy, but they remain computationally heavy with limited coverage. In this work, we replace window-based tracking in stereo matching with deep optical flow for efficient, improved retrieval. Fine-tuning balances a self-supervised geometric residual loss with supervised radiosonde reconstruction. To eliminate multi-satellite overlap requirements, we distill the stereo teacher into a single-satellite student model. Chi-square and height uncertainties from the teacher are emulated by the student for quality assurance. The student generates winds across full-disk GEO imagery globally. Validation compares stereo and student models against radiosondes, operational AMVs, ERA5 reanalysis, and EarthCARE cloud profiles. Results through triple collocation show that stereo winds improve performance beyond operational AMVs for water vapor bands (6.2, 6.9, and 7.3 μm), wit degradation in the long-wave infrared (11.2 μm) band.
- Abstract（参考訳）: 静止大気運動ベクトル(英語版)(AMV)は、データ同化系に吸収される密度の水平風ベクトル(u,v)と高さを提供する。
従来のAMVは、窓ベースのクロスコリレーションと、数値気象予測(NWP)の背景状態と組み合わせた赤外輝度温度による推定高度を用いて、不正確な高さ、高い計算コスト、スパース検索をもたらす円形の依存性を生成する。
GEO-GEOとGEO-LEOのステレオ風は、異なるポーズのパララックスシフトから幾何的に高さを分解し、NWP依存を排除し、精度を向上するが、限られた範囲で計算的に重いままである。
そこで本研究では,ステレオマッチングにおけるウィンドウベーストラッキングと深部光学フローとの置き換えを行い,効率よく検索を改良した。
微細チューニングは、教師付きラジオゾンデ再構成と自己教師付き幾何的残留損失のバランスをとる。
マルチサテライトオーバーラップ要求を解消するために,ステレオ教師を単一サテライト学生モデルに蒸留する。
質保証のため、教師のチ二乗と高さの不確かさを学生にエミュレートする。
学生は全世界でフルディスクGEO画像の風を発生させる。
検証は、ステレオモデルと学生モデルと、ラジオゾンデ、運用用AMV、ERA5の再分析、EarthCAREクラウドプロファイルを比較している。
3重コロケーションによる結果から、水蒸気帯(6.2, 6.9, 7.3μm)の作動型AMVを超えてステレオ風が向上し、長波長赤外域(11.2μm)帯のウィット劣化が見られた。
関連論文リスト
- Does Robust VIO Need More Learning? Geometry-Verified Visual Measurements under Distribution Shift [18.007082445726756]
本稿では,SEA-RAFTを用いた最小学習型ステレオVIOフレームワークを提案する。
密度流はスパースの特徴点でサンプリングされ、予測された不確実性とステレオエピポーラ一貫性を用いてフィルタリングされ、スライディングウインドウのステレオ慣性推定器に組み込まれる。
EuRoC, VIODE, および 4Seasons の実験では, 動きのぼやけ, ダイナミックなシーン, 照明の変化, 屋内から屋外への大規模な分布変化の下で, 正確かつ安定した推定方法が示されている。
論文 参考訳（メタデータ） (2026-07-20T13:57:44Z) - Cross-Modal Hierarchical Fusion for from Multi-Sensor Ground Observation [2.538209532048867]
AtmoFuseNetは、マルチビューのスカイカメラ画像をミリ波の雲のレーダーと加速度計の観測で融合し、雲の状態と風の4D推定を生成するフレームワークである。
半乾燥地からの衝突観測では、AtmoFuseNetは0.026 g m-3 の液体水量 MAE と 1.18 ms-1 の風速 MAE に達する。
論文 参考訳（メタデータ） (2026-05-31T14:17:43Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳（メタデータ） (2026-04-02T08:08:41Z) - NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。
特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
論文 参考訳（メタデータ） (2026-03-28T10:46:29Z) - VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。
VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
論文 参考訳（メタデータ） (2026-03-13T04:56:43Z) - A Radiometric Correction based Optical Modeling Approach to Removing Reflection Noise in TLS Point Clouds of Urban Scenes [3.7967365472200894]
TLSが取得した点雲は反射面からの仮想点を含むことが多く、乱れを引き起こす。
本研究では,TLS点雲に対する反射ノイズ除去アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-03T06:17:41Z) - A 3D super-resolution of wind fields via physics-informed pixel-wise
self-attention generative adversarial network [0.01649298969786889]
高解像度の風場を解く際の計算の複雑さは、異なる時間の長さとモデル構成をテストするのに実用的でないシミュレーションを残した。
本研究では,物理インフォームド・スーパーレゾリューション(SR)生成対向ネットワーク(GAN)の予備開発について述べる。
GANは3次元(3D)低分解能風力場をx9倍のアップスケールで超解する。
論文 参考訳（メタデータ） (2023-12-20T17:28:21Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z) - 3D wind field profiles from hyperspectral sounders: revisiting
optic-flow from a meteorological perspective [0.0]
本稿では, 垂直分解型3次元大気運動ベクトル(AMV)データをフォアキャスト方式で抽出するための効率的な光フローアルゴリズムを提案する。
この再帰法は, 実大気観測における現状の光学的流れアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-09T10:14:25Z) - On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
本論文では,2種類の堅牢なクロスビュー整合性について検討する。
深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。
いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2022-09-19T03:46:13Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。