論文の概要: Cross-Modal Solar Image Synthesis: Adapting the Surya Foundation Model from He I 10830 Å to EUV Translation and Coronal Hole Segmentation

• arxiv url: http://arxiv.org/abs/2610.04553v1
• Date: Sat, 03 Oct 2026 14:42:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 18:53:14.116477
• Title: Cross-Modal Solar Image Synthesis: Adapting the Surya Foundation Model from He I 10830 Å to EUV Translation and Coronal Hole Segmentation
• Title（参考訳）: クロスモーダル太陽画像合成:He I 10830からEUV翻訳とコロナホールセグメンテーションへのスリヤ基礎モデルの適用
• Abstract要約: 我々は,SDO/AIA 94,193,304の画像と,ヘリウム観測によるコロナホール確率マップの予測に,スリヤの太陽基礎モデルを適用した。 予測は広い太陽構造を回復するが、局所的な一致はチャネルによって大きく異なる。
• 参考スコア（独自算出の注目度）: 21.56235973016079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The long observational record of He I 10830 Å offers a means to investigate solar morphology before modern extreme-ultraviolet (EUV) imaging. We adapt the Surya solar foundation model to predict Solar Dynamics Observatory/Atmospheric Imaging Assembly (SDO/AIA) 94, 193, and 304 Å images and a coronal hole (CH) probability map from full-disk helium observations. A convolutional input adapter, low-rank backbone updates, and dedicated output decoders learn from temporally paired, geometrically registered observations, with Spatial Possibilistic Clustering Algorithm (SPOCA) catalog polygons providing CH supervision. On observations held out from downstream fine-tuning, the selected dedicated models achieve disk-restricted correlation coefficients (CCs) of 0.8196, 0.8885, and 0.8398 for the three AIA channels, respectively; the CH model achieves an intersection over union (IoU) of 0.4360. The predictions recover broad solar structure, although local agreement varies substantially by channel. An optional residual refiner addresses spatial detail, and its application on pre-SDO dates improves the correlation of synthetic AIA 304 with Solar and Heliospheric Observatory/Extreme-ultraviolet Imaging Telescope (SOHO/EIT) 304 references from 0.6511 to 0.7085. Together, these results support the feasibility of helium-conditioned EUV morphological proxies and motivate their use in historical reconstruction, within the scope of the downstream test and cross-instrument evaluation.
• Abstract（参考訳）: He I 10830 の長い観測記録は、現代の極紫外線(EUV)イメージングの前に太陽形態を研究する手段を提供する。 SDO/AIA(Solar Dynamics Observatory/Atmospheric Imaging Assembly, SDO/AIA)94, 193, 304 >の画像と、フルディスクヘリウム観測によるコロナホール(CH)確率マップの予測に、Surya太陽基盤モデルを適用した。 畳み込み入力アダプタ、低ランクのバックボーン更新、専用の出力デコーダは、時間的にペア化され、幾何学的に登録された観測から、CHの監督を提供するSPOCA(Spatial Possibilistic Clustering Algorithm)カタログポリゴンを用いて学習する。 下流の微調整から得られた観測では、選択された専用モデルは3つのAIAチャネルに対してそれぞれ0.8196、0.8885、0.8398のディスク制限相関係数(CC)を達成し、CHモデルは0.4360の結合(IoU)を達成している。 予測は広い太陽構造を回復するが、局所的な一致はチャネルによって大きく異なる。 オプションで残留した精細化器は空間的詳細に対処し、前SDO日時への適用により、合成IA304と太陽・ヘリオスフェリック天文台/極紫外線イメージング望遠鏡(SOHO/EIT)304の相関が0.6511から0.7085まで改善される。 これらの結果は, ヘリウム条件のEUVモルフォロジープロキシの実現可能性を支持し, 下流試験およびクロスインストゥルメント評価の範囲内で, 歴史的再建におけるそれらの利用を動機づけるものである。

関連論文リスト

• Reconstructing Synthetic SDO/AIA 193 A EUV Images from He I 10830 A Observations with Diffusion Model Translator [3.4600520245599733]
  フルディスクのEUVイメージングは、SOHOやSDOなど、現代からしか利用できない。 We present a conditional image translation framework, Coronal Hole-aware Diffusion Model Translator (CH-aware DMT) to constructed synthetic SDO/AIA 193 EUV images from HeI inputs。 以上の結果から,HeIを条件としたCH-aware DMTは,歴史的研究に有効なAIA 193人工冠プロキシとして有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-07T14:41:09Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• Forecasting the Ionosphere from Sparse GNSS Data with Temporal-Fusion Transformers [0.28112829609955153]
  トータル・エレクトロン・コンテント(TEC)は、鍵となる電離層パラメータである。 TECは観測結果から導かれるが、その信頼性は地球規模測定の希少な性質によって制限される。 本稿では,TFT(Temporal Fusion Transformer)を利用した電離層変動予測のための機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T23:08:19Z)
• Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
  太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
  論文  参考訳（メタデータ） (2024-09-25T23:09:46Z)
• Empirical Upscaling of Point-scale Soil Moisture Measurements for Spatial Evaluation of Model Simulations and Satellite Retrievals [6.595840767689357]
  本研究では,融合と機械学習を組み合わせたアップスケーリング手法を提案し,点スケールSM測定を100mpxの解像度に外挿した。 我々は4倍のクロスバリデーションを行い,0.6から0.9の範囲で連続的に比較相関性能を示した。 提案手法は,研究領域内の2つの空間的部分集合を用いて,クラスタ間戦略に基づいてさらに検証された。
  論文  参考訳（メタデータ） (2024-04-08T06:49:59Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Multi-Channel Auto-Calibration for the Atmospheric Imaging Assembly using Machine Learning [20.247229396526855]
  現在の技術キャリブレーション技術は周期的観測ロケットに依存している。 畳み込みニューラルネットワーク(CNN)に基づく代替キャリブレーション手法を提案する。 以上の結果から,cnnモデルでは観測ロケット実験の結果を合理的な精度で総合的に再現できることがわかった。
  論文  参考訳（メタデータ） (2020-12-27T22:43:37Z)

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。