論文の概要: ASTRA-SR: Atmospheric Seeing and Turbulence Restoration for Astronomical Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2609.26731v1
- Date: Tue, 22 Sep 2026 17:22:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.767167
- Title: ASTRA-SR: Atmospheric Seeing and Turbulence Restoration for Astronomical Image Super-Resolution
- Title（参考訳）: ASTRA-SR: 天体画像超解像のための大気観測と乱流回復
- Abstract要約: 地上の惑星画像は、大気の乱流、センサーノイズ、限られたサンプリングに悩まされている。
AsTRA-SRは、物理基底合成データセットに基づいて訓練されたブラインド単一フレーム復元フレームワークである。
- 参考スコア（独自算出の注目度）: 6.710446654182565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ground-based planetary imaging suffers from atmospheric turbulence, sensor noise, and limited sampling, making restoration a joint denoising, deblurring, and super-resolution problem. We present ASTRA-SR, a blind single-frame restoration framework trained on a physics-grounded synthetic dataset. High-dynamic-range spacecraft RAW observations serve as clean sources, and paired LR inputs are synthesized using measured layer-integrated turbulence strengths, propagated moving phase screens, exposure-averaged spatially varying PSFs, and sensor noise.ASTRA-SR first estimates a noise-suppressed but blur-retaining LR image, then restores spatial structure through multiscale processing and reconstructs HR detail with serial spatial-amplitude refinement. It yields a 0.49 dB foreground PSNR gain over the strongest baseline approaches.
- Abstract（参考訳）: 地上の惑星画像は、大気の乱流、センサーノイズ、限られたサンプリングに悩まされ、修復は関節脱神経、脱毛、超解像問題となる。
AsTRA-SRは、物理基底合成データセットに基づいて訓練されたブラインド単一フレーム復元フレームワークである。
高ダイナミックレンジの宇宙船RAW観測はクリーンソースとして機能し、測定された層内乱流強度、伝播する移動相スクリーン、平均的な空間変化のPSF、センサノイズを用いてペアLR入力を合成する。
最強のベースラインアプローチよりも0.49dBのPSNRゲインが得られる。
関連論文リスト
- MeanSR: Restoration Trajectory Learning for One-Step Perceptual Super-Resolution [50.60539317126614]
MeanSRはLR条件の平均速度場を学習し、ノイズ入力から可算HR出力への有限時間遷移を直接キャプチャする。
実験の結果、MeanSRはCLIPIQA、MUSIQ、MANIQAでCTMSRより優れており、FLOPと推論遅延を大幅に低減していることがわかった。
論文 参考訳（メタデータ） (2026-08-10T10:33:18Z) - IB-HFN: Information Bottleneck-Driven SAR-Optical Fusion Network for High-Fidelity Cloud Removal [18.935012033334477]
本稿では,SAR支援光雲除去のためのInformation Bottleneck-driven High-Fidelity Network (IB-HFN)を提案する。
IB-HFNは、深いセマンティック融合の前にモダリティ固有の表現を保持するためにデュアルストリームバックボーンを使用している。
SEN12MS-CRデータセットの時分割実験により、IB-HFNは既存の手法よりも優れた構造保存とスペクトル忠実性が得られることが示された。
論文 参考訳（メタデータ） (2026-06-08T11:19:06Z) - A Deep Learning Iterative Framework for Sentinel-1 Stripmap Enhancement Based on Azimuth Doppler Decomposition [3.061219970798378]
本稿では,アジマスサブアパーチャ分解に基づくS1 SM画像の自己教師付き拡張フレームワークを提案する。
提案フレームワークは,単フレームおよび多フレーム学習を統合し,画像品質を段階的に改善する反復推論スキームを組み込んだ。
論文 参考訳（メタデータ） (2026-05-27T20:41:54Z) - Denoising the Deep Sky: Physics-Based CCD Noise Formation for Astronomical Imaging [47.83642412662346]
学習ベースのdenoisingは有望だが、ペアのトレーニングデータが不足しているため、進歩は妨げられている。
CCDノイズ生成に適した物理に基づくノイズ合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-30T18:47:54Z) - 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) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳（メタデータ） (2022-07-20T17:09:16Z) - Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image
Restoration [66.68541690283068]
ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。
提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。
HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
論文 参考訳（メタデータ） (2020-10-24T15:53:56Z)
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。