論文の概要: Efficient Continuous DEM Reconstruction under Limited Target-Resolution Supervision
- arxiv url: http://arxiv.org/abs/2609.29864v1
- Date: Thu, 24 Sep 2026 14:23:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.997896
- Title: Efficient Continuous DEM Reconstruction under Limited Target-Resolution Supervision
- Title（参考訳）: リミテッドターゲット・リゾリューション・シュミレーションによる高効率連続DEM再構成
- Abstract要約: SCOPEは、粗い分解能対から連続した地形表現を学習する。
低分解能グリッド上の潜伏係数場を予測する。
高次元係数予測と出力グリッド構成を分離する。
- 参考スコア（独自算出の注目度）: 5.740829062535997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution digital elevation models (DEMs) support Earth observation applications, but paired training references are often available only at coarser output resolutions. Reconstructing finer terrain grids therefore requires both effective transfer beyond the supervised scale and control of dense-query computation. To address this problem, SCOPE learns a continuous terrain representation from coarser-resolution pairs. It predicts a latent coefficient field on the low-resolution grid and reuses local Fourier residual functions through basis evaluation and geometry-guided ensemble fusion. This separates high-dimensional coefficient prediction from output-grid construction. Experiments on geographically distributed land--ocean samples assess supervised reconstruction, unseen-scale inference, cross-domain generalization, and theoretical computation. SCOPE leads the compared methods across six metrics in the main supervised-scale evaluation. At an unseen factor three times the training factor, land reconstruction reduces RMSE and MAE by approximately 12\% relative to bicubic interpolation, with errors close to target-scale fine-tuning. Ninefold output density increases counted multiply--accumulate operations by only about 2\%. Frozen-model validation on held-out external marine regions reduces RMSE relative to the DEM-specific implicit baseline EBCF-CDEM by approximately 19\% under self-downsampling and 2\% with cross-product inputs, while also yielding lower RMSE than LIIF-MS in both settings. These results demonstrate the value of reusable coefficient fields for accurate reconstruction beyond the supervised resolution with low incremental arithmetic cost.
- Abstract（参考訳）: 高解像度デジタル標高モデル(DEM)は地球観測アプリケーションをサポートするが、ペア化されたトレーニング基準は粗い出力解像度でのみ利用できることが多い。
したがって、より細い地形グリッドを再構築するには、教師付きスケールを超える効果的な転送と、密度の高いクエリー計算の制御が必要である。
この問題を解決するため、SCOPEは粗い分解能対から連続的な地形表現を学習する。
低分解能グリッド上の潜在係数場を予測し、基底評価と幾何誘導アンサンブル融合により局所フーリエ残差関数を再利用する。
これは高次元係数予測と出力グリッド構成を分離する。
地理的に分散した土地-海洋サンプルの実験は、教師付き再構成、目に見えないスケールの推論、クロスドメインの一般化、理論的計算を評価する。
SCOPEは、主要な教師付き尺度評価において、6つの指標で比較手法を導いた。
トレーニング係数の3倍の未確認因子では、土地再建により、RMSEとMAEはバイコビック補間と比較して約12倍減少し、ターゲットスケールの微調整に近い誤差が生じる。
9倍出力密度は乗算演算を2倍程度増加させる。
常温海洋域における凍結モデル検証は,DEM特異的暗黙ベースラインEBCF-CDEMに対するRMSEを,自己ダウンサンプリングで約19 %,製品間入力で約2 %減少させるとともに,LIIF-MSよりも低いRMSEが得られる。
これらの結果は、インクリメンタル算術コストの低い教師付き分解能を超える正確な再構成のための再利用可能な係数場の値を示す。
関連論文リスト
- Two-Scale Localized PCA-Net: Coarse-Global and Local-Residual Representations for Artifact-Reduced PDE Operator Learning [0.21847754147782886]
2スケールの局所化PCA-Netは、解を粗い球状成分と局所的残差補正に分解する。
これは、平易で重なり合ったPCA-Netに対して、再構成エラーと可視的ブロックアーティファクトを大幅に削減する。
論文 参考訳（メタデータ） (2026-09-07T22:36:24Z) - Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT [0.0]
本稿では,隣接する一対の軸スライスから中間CTスライスを合成する深層学習システムを提案する。
このシステムは、3次元の可視化を改善しながら、自然に識別された出力を同時に生成する。
論文 参考訳（メタデータ） (2026-06-08T10:45:51Z) - MARR: Module-Adaptive Residual Reconstruction for Low-Bit Post-Training Quantization [42.904834974723535]
モジュール適応残差再構成(MARR)を提案する。
MARRはモジュール固有のスケーリング係数を割り当て、各モジュールに対して累積エラー補正と残留関連HAバイアスを適応的にバランスさせる。
いくつかの典型的な大規模言語モデル(LLM)と視覚変換器(ViT)の実験は、低ビット量子化下でのMARRの有効性を実証している。
論文 参考訳（メタデータ） (2026-05-18T07:51:49Z) - DISA: Offline Importance Sampling for Distribution-Matching LLM-RL [56.9445657766829]
本稿では、このキャリブレーション問題をRLループの外に移動させるdisAを紹介する。
DISAは提案トラジェクトリをオフラインに描画し、重要サンプリングによってパーティション関数を推定し、結果として発生するパーティション関数の推定を凍結する。
6つの数学と3つのコードベンチマークにまたがる2つのオープンウェイトなバックボーンでは、DisdisAはオンラインに結合した分散マッチングベースラインフローにマッチするか、超えている。
論文 参考訳（メタデータ） (2026-05-17T07:14:44Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳（メタデータ） (2026-02-03T23:38:05Z) - 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) - Optimizing Multi-Scale Representations to Detect Effect Heterogeneity Using Earth Observation and Computer Vision: Applications to Two Anti-Poverty RCTs [3.4137115855910762]
マルチスケール表現 コンカニネーションは任意の単一スケールEOベースのCATE推定アルゴリズムをマルチスケールに変換する。
CATE推定パイプライン上でのマルチスケール表現結合の性能をベンチマークする。
その結果,マルチスケール表現結合は,EOに基づくCATE推定におけるディープラーニングモデルの性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2024-11-04T14:47:48Z) - Robust Second-order LiDAR Bundle Adjustment Algorithm Using Mean Squared Group Metric [5.153195958837083]
我々は,LiDAR BAアルゴリズムの最適化目標を構築するために,新しい平均2乗群計量(MSGM)を提案する。
堅牢なカーネル関数を統合することで、BAアルゴリズムに関わるメトリクスを再重み付けし、ソリューションプロセスの堅牢性を高める。
論文 参考訳（メタデータ） (2024-09-03T12:53:39Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for
Optical Flow Estimation [72.41370576242116]
フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。
ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。
実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
論文 参考訳（メタデータ） (2020-01-17T07:13:51Z)
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。