論文の概要: HiPredict: Predicting the missing HiRISE RED4 spectral channel with machine learning

• arxiv url: http://arxiv.org/abs/2610.23335v1
• Date: Fri, 16 Oct 2026 11:40:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.906038
• Title: HiPredict: Predicting the missing HiRISE RED4 spectral channel with machine learning
• Title（参考訳）: HiRISE RED4スペクトルチャネルを機械学習で予測するHiPredict
• Abstract要約: マーズ・リコネッサンス・オービター(MRO)に搭載されたHiRISEは、25-30cm/ピクセルで火星の画像を取得する。 2023年、焦点面アセンブリ(RED4)の中心にある検出器が断続的に故障し始め、取得した画像のギャップが生じた。 我々は、IR10とブルーグリーン(BG12)の画像からRED4を再構成し、近隣の赤チャネル観測と取得メタデータから機械学習フレームワークであるHiPredictを紹介する。
• 参考スコア（独自算出の注目度）: 0.32622301272834514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The High Resolution Imaging Science Experiment (HiRISE) onboard the Mars Reconnaissance Orbiter (MRO) acquires imagery of Mars at 25--30 cm/pixel, supporting studies of martian geology, climate history, and landing-site characterization. Its 14-detector focal plane assembly includes several overlapping detectors that enable the acquisition of three-channel colour-infrared images, which are important for identifying compositional variations and studying active surface processes. In 2023, a detector in the center of the focal plane assembly (RED4) began failing intermittently, creating a gap in acquired imagery and reducing the instrument's colour-imaging capability by half. The HiRISE processing pipeline provides a synthetic red (SYN4) channel obtained by linearly scaling the co-located infrared (IR10) channel. However, this approach cannot capture observed non-linear relationships between the colour channels, limiting its accuracy and applicability. Here, we present HiPredict, a machine-learning framework that reconstructs RED4 from co-located IR10 and blue-green (BG12) imagery, neighbouring red-channel observations, and acquisition metadata. The model employs a U-Net architecture to learn non-linear spatiotemporal-spectral relationships between these inputs and is trained on 81,717 training samples, representing 13,625 observations. Evaluated on 23,348 test samples, representing 3,892 pre-failure observations, HiPredict reconstructs RED4 with a Normalised Mean Absolute Error of 1.1%, substantially outperforming SYN4 (3.1%). The reconstructed products improve colour image recovery and more closely represent features of interest such as icy craters, stratigraphy exposed along ridge crests and chloride deposits. We release HiPredict as an open software tool. This work demonstrates the potential of machine learning to mitigate data loss as planetary missions age and naturally degrade.
• Abstract（参考訳）: マーズ・リコネッサンス・オービター (MRO) に搭載された高分解能撮像科学実験 (HiRISE) は、火星の画像を25-30cm/ピクセルで取得し、火星の地質学、気候史、着陸地点のキャラクタリゼーションの研究を支援している。 14検出器の焦点面アセンブリには、複数の重なり合う検出器が含まれており、3チャンネルのカラー赤外線画像の取得が可能であり、組成の変動を識別し、活発な表面過程を研究するのに重要である。 2023年、焦点面アセンブリ(RED4)の中心にある検出器が断続的に故障し始め、取得した画像のギャップを生じさせ、機器のカラーイメージング能力を半分に減らした。 HiRISE処理パイプラインは、共位置赤外線(IR10)チャネルを線形にスケーリングして得られる合成赤(SYN4)チャネルを提供する。 しかし、この手法は、観測された色チャネル間の非線形関係を捉えることができず、その精度と適用性を制限する。 本稿では、IR10とブルーグリーン(BG12)の画像からRED4を再構成し、近隣の赤チャネル観測と取得メタデータを抽出する機械学習フレームワークであるHiPredictを紹介する。 このモデルはU-Netアーキテクチャを用いて、これらの入力間の非線形時空間スペクトル関係を学習し、81,717のトレーニングサンプルで13,625の観測結果を表す。 23,348件のテストサンプルで評価され、3,892件の故障前の観測結果を示し、HiPredictはRED4を1.1%の正規化平均絶対誤差で再構築し、SYN4(3.1%)を大幅に上回った。 復元された製品は、色像の回復を改善し、氷クレーター、隆起部に沿って露出した層序、塩化物鉱床などの興味のある特徴をよりよく表している。 私たちはHiPredictをオープンソースツールとしてリリースしています。 この研究は、惑星ミッションの年齢と自然の劣化によってデータ損失を軽減できる機械学習の可能性を示している。

関連論文リスト

• Towards UAV Detection in the Real World: A New Multispectral Dataset UAVNet-MS and a New Method [80.50361258830928]
  UAVNet-MSは、微小UAV検出のための最初のマルチスペクトルデータセットである。 本稿では、アレイ誘起パララックスと空間-スペクトル融合に対処するデュアルストリームベースラインであるMFDNetを提案する。 この研究は、基礎的なデータセット、強力なベースライン、マルチスペクトルUAV監視研究のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T09:49:04Z)
• FreqCross: A Multi-Modal Frequency-Spatial Fusion Network for Robust Detection of Stable Diffusion 3.5 Generated Images [4.524282351757178]
  FreqCrossは、空間的RGB特徴、周波数領域アーティファクト、放射エネルギー分布パターンを組み合わせた、新しいマルチモーダル融合ネットワークである。 1万対の実(MS-COCO)と合成(安定拡散3.5)のデータセットの実験では、FreqCrossの精度は97.8%である。
  論文  参考訳（メタデータ） (2025-07-01T22:12:35Z)
• Template-Fitting Meets Deep Learning: Redshift Estimation Using Physics-Guided Neural Networks [0.4416697929169138]
  本稿では,物理誘導ニューラルネットワークを用いたテンプレートフィッティングとディープラーニングを統合したハイブリッド手法を提案する。 我々は、約40万個の銀河を含むPreMLデータセット上で、我々のモデルを評価した。 提案手法は, RMS誤差0.0507, 3シグマ破滅率0.13%, バイアス0.0028を達成する。
  論文  参考訳（メタデータ） (2025-07-01T15:29:45Z)
• Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
  画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。 スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T14:24:03Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• U-RED: Unsupervised 3D Shape Retrieval and Deformation for Partial Point Clouds [84.32525852378525]
  教師なし形状検索および変形パイプラインであるU-REDを提案する。 任意のオブジェクトの観察を入力として受け取り、通常RGBの画像やスキャンによってキャプチャされ、幾何学的に類似したCADモデルを共同で検索して変形する。 我々は,U-REDが既存の最先端アプローチを47.3%,16.7%,31.6%で上回っていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T20:56:05Z)
• ChiNet: Deep Recurrent Convolutional Learning for Multimodal Spacecraft Pose Estimation [3.964047152162558]
  本稿では,ランデブーシーケンスからの時間情報を組み込んで,宇宙船の相対的な姿勢を推定する革新的な深層学習パイプラインを提案する。 畳み込みニューラルネットワーク(CNN)バックボーンによって抽出された特徴の処理のために、データのシーケンスをモデル化する上で、LSTM(Long Short-term memory)ユニットのパフォーマンスを活用する。 3つの異なるトレーニング戦略が組み合わさって、特徴学習を容易にし、回帰によるエンドツーエンドのポーズ推定を改善する。
  論文  参考訳（メタデータ） (2021-08-23T16:48:58Z)
• Generation of the NIR spectral Band for Satellite Images with Convolutional Neural Networks [0.0]
  ディープニューラルネットワークは、画像の着色問題など、人工的なスペクトル情報を生成することができる。 我々は,高解像度衛星画像のRGBチャネルのみを用いて,NIR帯域生成作業におけるGAN(Generative Adversarial Network)アプローチについて検討した。
  論文  参考訳（メタデータ） (2021-06-13T15:14:57Z)
• FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
  画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。 我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。 実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
  論文  参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。