論文の概要: Monotone Piecewise-Linear Harmonization of Multitemporal Multispectral Surface Reflectance With Unsupervised Deep Multiview Pseudoinvariant Features Learning

• arxiv url: http://arxiv.org/abs/2610.21183v1
• Date: Thu, 15 Oct 2026 03:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.164291
• Title: Monotone Piecewise-Linear Harmonization of Multitemporal Multispectral Surface Reflectance With Unsupervised Deep Multiview Pseudoinvariant Features Learning
• Title（参考訳）: 教師なし深層多視点擬似不変特徴学習によるマルチテンポラル表面反射のモノトーン経時的高調波化
• Abstract要約: 本研究では,教師なしの深層多視点擬似不変特徴学習フレームワークを提案する。 多時期衛星観測における表面反射バイアスの除去のための深部擬似不変特性(DIFs)を同定する。 年間4回のLandsat-8/9とSentinel-2による4つの関心領域での買収実験を行った。
• 参考スコア（独自算出の注目度）: 2.7930955543692817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surface reflectance products derived from optical satellite may exhibit systematic inconsistencies across acquisition dates, because atmospheric correction is generally performed independently for each image. Such residual biases distort the temporal behavior of invariant ground targets and reduce the reliability of multitemporal surface reflectance analysis. This study proposes Deep Multitemporal Generalized Canonical Correlation Analysis (DeepMGCCA), an unsupervised deep multiview pseudoinvariant feature learning framework that integrates Deep Generalized Canonical Correlation Analysis (GCCA) with Multivariate Alteration Detection (MAD) to identify deep-pseudoinvariant features (DIFs) for the removal of surface reflectance biases across multitemporal satellite observations. Unlike conventional MAD-based approaches that rely on linear GCCA, the proposed framework replaces date-specific linear projections with a shared convolutional encoder. The framework learns deep invariant features (DIFs) directly from pixel-weighted canonical variates via iterative reweighting strategy, while a reconstruction regularizer preserves surface reflectance information and prevents degenerate collapse from suppressing genuine temporal variability. Experiments were conducted on four annual Landsat-8/9 and Sentinel-2 acquisitions across four regions of interest (ROIs) to evaluate four DIF-based harmonization transforms. A monotone piecewise-linear transform derived from DIFs quantiles consistently achieved the largest bias reduction, lowering the between-date spectral angle by up to 2.54 and RMSE by 0.015, and raising PSNR by up to 4.04~dB. These findings demonstrate the potential of deep invariant feature learning for multitemporal surface reflectance bias removal while highlighting the importance of preserving physically meaningful temporal and spectral information during nonlinear representation learning.
• Abstract（参考訳）: 光衛星から得られた表面反射率生成物は、各画像に対して大気補正が一般的に独立して行われるため、取得日中に系統的な不整合を示す可能性がある。 このような残留バイアスは、不変地盤の時間的挙動を歪め、多面反射率解析の信頼性を低下させる。 本研究は, 深部多時的一般化正準相関解析 (DeepMGCCA) を多変量変量検出 (MAD) と統合し, 多時衛星観測における表面反射バイアス除去のための深部多時的一般化正準相関解析 (DeepMGCCA) を提案する。 線形GCCAに依存する従来のMADベースのアプローチとは異なり、提案フレームワークは日付固有の線形射影を共有畳み込みエンコーダで置き換える。 このフレームワークは、繰り返し再重み付け戦略により画素重み付き正準変量から直接深部不変性(DIF)を学習し、再構成正規化器は表面反射情報を保存し、縮退崩壊を真の時間的変動を抑制する。 4つの関心領域(ROI)にわたるLandsat-8/9とSentinel-2の4つの年次買収実験を行い、4つのDIFベースの調和変換を評価した。 DIFs量子化物に由来する単調片方向線形変換は、常に最大のバイアス低減を達成し、日時スペクトル角を最大2.54、RMSEを0.015、PSNRを最大4.04〜dBまで下げた。 これらの結果は, 非線形表現学習において, 物理的に意味のある時間的・スペクトル的な情報を保存することの重要性を強調しつつ, 多面反射率バイアス除去のための深い不変特徴学習の可能性を示した。

関連論文リスト

• Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
  Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。 REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
  論文  参考訳（メタデータ） (2026-10-04T16:54:37Z)
• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Learning-Based Reconstruction of Optical Properties in Bilayered Media from Single-distance Time-Resolved Reflectance Measurements [1.629288881045104]
  拡散方程式に基づく逆解法は、しばしば構造的不均一性と競合する。 本稿では,2層媒体の光学特性を再構築するための代替手法として,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） (2026-09-17T06:52:51Z)
• Beyond Reconstruction: Reconstruction-to-Vector Diffusion for Hyperspectral Anomaly Detection [9.078979356836193]
  ハイパースペクトル異常検出(HAD)は、複雑なシーンにおけるスパースターゲットの同定に優れる。 既存のモデルは、スカラー・アズ・ア・エンドポイント(reconstruction-as-endpoint)パラダイムに閉じ込められているままである。 本稿では, 精製源として再構成を再定義するリコンストラクション・トゥ・ディフュージョン(R2VD)を提案する。 R2VDは新たな最先端技術を確立し、例外的な目標検出のバックグラウンドを提供する。
  論文  参考訳（メタデータ） (2026-04-13T12:31:50Z)
• Appearance Decomposition Gaussian Splatting for Multi-Traversal Reconstruction [18.874270345504716]
  高忠実度自律運転シミュレーションとディジタルツイン構築には,マルチトラバースシーン再構築が重要である。 本稿では, ADM-GS (Appearance Decomposition Splatting for Multi-Traversal Reconstruction) を提案する。 マルチトラバース実験では,既存の潜伏ベースラインよりも0.98dBRの改善を実現している。
  論文  参考訳（メタデータ） (2026-04-07T14:11:54Z)
• Ref-DGS: Reflective Dual Gaussian Splatting [51.77181103979343]
  反射的な外観、特に強く、典型的には近接場スペクトル反射は、正確な表面再構成と新しい見方に根本的な課題をもたらす。 本稿では,このトレードオフに対処する反射型二重ガウススプレイティングフレームワークRef-DGSを提案する。 実験により、Ref-DGSは反射シーンにおける最先端のパフォーマンスを達成しつつ、レイベースガウス法よりもかなり高速なトレーニングを行うことが示された。
  論文  参考訳（メタデータ） (2026-03-08T14:54:15Z)
• Depth-Aware Super-Resolution via Distance-Adaptive Variational Formulation [5.1767204510818985]
  単一画像超解像は伝統的に空間的不変な劣化モデルを想定している。 実世界のイメージングシステムは、大気散乱、深度の変化、視点歪みなどの複雑な距離依存効果を示す。 空間的に変化する逆問題として超解像を特徴付ける厳密な変分フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-06T15:35:37Z)
• Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
  既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:23:43Z)
• Exploring Invariant Representation for Visible-Infrared Person Re-Identification [77.06940947765406]
  異なるスペクトルを横断する歩行者にアイデンティティを関連付けることを目的とした、クロススペクトルの人物再識別は、モダリティの相違の主な課題に直面している。 本稿では、ロバスト機能マイニングネットワーク(RFM)と呼ばれるエンドツーエンドのハイブリッド学習フレームワークにおいて、画像レベルと特徴レベルの両方の問題に対処する。 RegDBとSYSU-MM01という2つの標準的なクロススペクトル人物識別データセットの実験結果により,最先端の性能が示された。
  論文  参考訳（メタデータ） (2023-02-02T05:24:50Z)

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。