論文の概要: Deep Learning Denoising of Real SWOT Sea Surface Height Observations
- arxiv url: http://arxiv.org/abs/2610.03739v1
- Date: Tue, 22 Sep 2026 08:20:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 19:28:20.593213
- Title: Deep Learning Denoising of Real SWOT Sea Surface Height Observations
- Title（参考訳）: 実SWOT海面高度観測の深層学習による評価
- Abstract要約: SWOT(Surface Water Ocean Topography)ミッションは現在、未解決の海面高度測定を提供している。
SWOTのKarin altimeterの2次元観測は機器誤差に悩まされている。
このノイズ劣化はSWOT信号の高周波数を変化させており、一部の海洋学者にとっては小規模からサブメソスケールのダイナミックスである。
- 参考スコア（独自算出の注目度）: 0.37282630026096597
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The SWOT (Surface Water Ocean Topography) mission is currently providing unpreceded high-resolution measurements of Sea Surface Height (SSH), revealing ocean features at finer scales. Nevertheless, the two-dimensional observations of KaRIn altimeter of SWOT suffer from instrumental errors. This noise degradation is altering the high frequencies of SWOT signal, and the small to sub-mesoscale dynamics of interest for some oceanographers. For this reason, Tréboutte et al. (2023) have developed a convolutional neural network (CNN) based on U-Net architecture to separate the noise from the physical signals contained in the SSH. Their approach has demonstrated great potential on simulated SWOT measurements, and Dibarboure et al. (2024) report a positive influence on actual flight data from SWOT. However, degraded denoising performance, and occasional negative side-effects have been observed in atypical conditions (e.g. very high surface waves, internal tides solitons). In this study, we illustrate some of these limitations and we present an improved approach of the CNN-based denoising: we modified the training procedure to obtain a more robust version of the algorithm, to avoid biases and artifacts in the denoised SSH. This paper also presents a more complete validation process with a robust and standardized evaluation benchmark: these metrics could be of interest to assess other SWOT filtering and denoising algorithms.
- Abstract（参考訳）: SWOT(Surface Water Ocean Topography)ミッションは現在、未解決の海面高度(SSH)の測定結果を提供しており、より微細なスケールで海洋の特徴を明らかにしている。
それでも、SWOTのKarin altimeterの2次元観測は機器誤差に悩まされている。
このノイズ劣化はSWOT信号の高周波数を変化させており、一部の海洋学者にとっては小規模からサブメソスケールのダイナミックスである。
このため、Tréboutte et al (2023)は、SSHに含まれる物理信号からノイズを分離するU-Netアーキテクチャに基づく畳み込みニューラルネットワーク(CNN)を開発した。
彼らのアプローチはSWOTのシミュレーションで大きな可能性を示しており、Dibarboure et al (2024) はSWOTの実際の飛行データに肯定的な影響を報告している。
しかし, 非典型的条件(超高表面波, 内部潮流ソリトンなど)では, 劣化劣化性能, 時折負の副作用が観察されている。
本研究では,これらの制限のいくつかを概説し,CNNに基づく復調法の改良手法を提案する。我々は,より堅牢なアルゴリズムを得るためにトレーニング手順を変更し,SSHのバイアスやアーチファクトを回避する。
本稿では、より完全な検証プロセスと、より堅牢で標準化された評価ベンチマークを示す。これらのメトリクスは、他のSWOTフィルタリングおよび復調アルゴリズムを評価することに関心があるかもしれない。
関連論文リスト
- Rethinking Conditional Generation for Underwater Salient Object Detection [69.38806804258452]
コンディショナル・ジェネレーション・ネットワーク(DCGNet)は、水中のサリエンシ生成のための信頼性の高いコンディショナル・特徴を構築するために設計されている。
DCGNetは既存の最先端手法を著しく上回り、複雑な水中視覚応用の可能性を検証している。
論文 参考訳（メタデータ） (2026-07-02T07:48:06Z) - Simulation-informed deep learning for enhanced SWOT observations of fine-scale ocean dynamics [4.575524892161048]
微細なスケールでの海洋プロセスは、衛星やその場での観測に制限があるため、正確に観測することは極めて困難である。
現在の手法はノイズの多いデータに苦しむか、広範囲の教師付きトレーニングを必要とし、実世界の観測に効果を制限している。
本稿では、実SWOT観測とシミュレーション参照データを組み合わせた教師なし逆学習フレームワークであるSIMPGENを紹介する。
論文 参考訳（メタデータ） (2025-03-27T09:29:33Z) - Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。
そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。
提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
論文 参考訳（メタデータ） (2024-04-11T19:13:38Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Histogram Layer Time Delay Neural Networks for Passive Sonar
Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。
提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文 参考訳（メタデータ） (2023-07-25T19:47:26Z) - Spectral Enhanced Rectangle Transformer for Hyperspectral Image
Denoising [64.11157141177208]
ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。
前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。
後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
論文 参考訳（メタデータ） (2023-04-03T09:42:13Z) - Scale-aware neural calibration for wide swath altimetry observations [0.0]
海面高度 (SSH) はメソスケールの海面力学を観測・研究するための重要な物理パラメータである。
数十年間、SSH製品の地域規模と世界規模でのマッピングは、ナディル衛星高度計に依存してきた。
表面水と海洋地形(SWOT)ミッションは、SSHの広視野2次元観測を初めて取得する新しいセンサーを配備する。
論文 参考訳（メタデータ） (2023-02-09T08:46:40Z) - A Data-driven Loss Weighting Scheme across Heterogeneous Tasks for Image Denoising [67.02529586335473]
変分分解モデルでは、データ忠実度項の重みはノイズ除去能力を高める役割を担っている。
本研究では,これらの問題に対処するデータ駆動型損失重み付け手法を提案する。
DLWの顕著な性能を検証し,様々な変分復調モデルの複素雑音処理能力の向上に寄与することを示した。
論文 参考訳（メタデータ） (2022-12-09T03:28:07Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - DANAE: a denoising autoencoder for underwater attitude estimation [1.0312968200748116]
DANAEは、カルマンフィルタIMU/AHRSデータ統合で動作する、姿勢推定のためのDenoising AutoeNcoderである。
本稿では、DANAEが堅牢で信頼性が高く、カルマンフィルタの結果を大幅に改善していることを示す。
論文 参考訳（メタデータ） (2020-11-13T10:53:01Z) - Filtering Internal Tides From Wide-Swath Altimeter Data Using
Convolutional Neural Networks [9.541153192112194]
本稿では畳み込みニューラルネットワーク(ConvNets)を用いて、内潮信号のないフィールドを推定する。
また,海面温度(SST)などの他の海面変数からの追加データについても検討した。
論文 参考訳（メタデータ） (2020-05-03T14:02:31Z)
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。