論文の概要: HybridCT: ML Accelerated Tomography for Climate Relevant 3D Cloud Observations
- arxiv url: http://arxiv.org/abs/2611.16255v1
- Date: Thu, 12 Nov 2026 03:57:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.355116
- Title: HybridCT: ML Accelerated Tomography for Climate Relevant 3D Cloud Observations
- Title(参考訳): HybridCT: 気候関連3次元雲観測のためのML加速トモグラフィ
- Abstract要約: 低レベルの雲は、気候予測における最大の不確実性の源の1つである。
機械学習により高速化されたクラウドトモグラフィ再構成方式であるHybridCTを提案する。
- 参考スコア(独自算出の注目度): 0.3848364262836075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-level clouds are one of the largest sources of uncertainty in climate predictions, partly because we lack detailed three-dimensional (3D) measurements of their internal structure. Here, we present HybridCT, a cloud tomographic reconstruction scheme accelerated by machine learning (ML) that recovers 3D cloud extinction directly from passive multi-angle observations. An ML emulator maps radiances from multiple viewing angles to cloud optical thickness (COT), producing path-integrated projections, and a Simultaneous Algebraic Reconstruction Technique (SART) explicitly inverts these projections to retrieve 3D extinction. Training observations are generated from synthetic 3D cloud fields using radiative transfer simulations for nine viewing angles between $\pm$70$^{\circ}$. HybridCT reconstructs extinction with RMSE 13.3 km$^{-1}$ in 3.5 s, compared to 22.7 km$^{-1}$ in approx. 30 min for the state-of-the-art physics-based tomography framework AT3D, a speedup exceeding 500$\times$. HybridCT thus provides a scalable route toward large-scale observations of 3D cloud structure relevant to radiative-budget interpretation and evaluation of high-resolution cloud simulations.
- Abstract(参考訳): 低レベルの雲は、気候予測において最大の不確実性の原因の1つである。
本稿では,機械学習(ML)によって加速されるクラウドトモグラフィ再構成方式であるHybridCTについて述べる。
MLエミュレータは、放射光を複数の視角から雲の光学厚(COT)にマッピングし、経路積分された投影を生成する。
合成3次元雲場から,9つの視野角を$\pm$70$^{\circ}$の放射移動シミュレーションを用いて学習観察を行う。
ハイブリッドCTはRMSE 13.3 km$^{-1}$ 3.5 sで絶滅を再現するが、近似では22.7 km$^{-1}$である。
AT3Dは500ドルを超えるスピードアップだ。
そこでHybridCTは,高分解能雲シミュレーションの放射・予算解釈と評価に関連する3次元雲構造の大規模観測に向けて,スケーラブルな経路を提供する。
関連論文リスト
- Cross-Modal Hierarchical Fusion for from Multi-Sensor Ground Observation [2.538209532048867]
AtmoFuseNetは、マルチビューのスカイカメラ画像をミリ波の雲のレーダーと加速度計の観測で融合し、雲の状態と風の4D推定を生成するフレームワークである。
半乾燥地からの衝突観測では、AtmoFuseNetは0.026 g m-3 の液体水量 MAE と 1.18 ms-1 の風速 MAE に達する。
論文 参考訳(メタデータ) (2026-05-31T14:17:43Z) - NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。
特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
論文 参考訳(メタデータ) (2026-03-28T10:46:29Z) - SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。
本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
論文 参考訳(メタデータ) (2026-03-25T06:14:03Z) - Cloud4D: Estimating Cloud Properties at a High Spatial and Temporal Resolution [8.745444691797067]
Cloud4Dは、物理的に一貫した4次元のクラウド状態を再構築する最初の学習ベースのフレームワークです。
我々のシステムは、最先端の衛星計測と比較して、時空分解能のオーダー・オブ・マグニチュード向上を実現している。
論文 参考訳(メタデータ) (2025-11-24T18:59:37Z) - Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。
この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。
我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
論文 参考訳(メタデータ) (2024-12-04T15:49:49Z) - Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。
制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。
これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
論文 参考訳(メタデータ) (2024-04-01T13:38:16Z) - Learned 3D volumetric recovery of clouds and its uncertainty for climate
analysis [16.260663741590253]
気候予測と雲物理学の不確かさは、浅い散在する雲に関連する観測上のギャップと結びついている。
我々は、ノイズの多い多視点空間画像に基づいて、このような雲のCTを実現するための学習ベースモデル(ProbCT)を設計する。
シミュレーションおよび実世界のデータに基づくアプローチを実証し, 降水および再生可能エネルギーに対する3次元回復と不確実性との関連性を示す。
論文 参考訳(メタデータ) (2024-03-09T14:57:03Z) - Fast Training of Diffusion Transformer with Extreme Masking for 3D Point
Clouds Generation [64.99362684909914]
我々は,効率的な3次元点雲生成に適したマスク付き拡散変圧器であるFastDiT-3Dを提案する。
また,新しいボクセル対応マスキング手法を提案し,ボクセル化点雲から背景・地上情報を適応的に集約する。
本手法は, マスキング比が99%近い最先端性能を実現する。
論文 参考訳(メタデータ) (2023-12-12T12:50:33Z) - LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。
本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。
我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
論文 参考訳(メタデータ) (2022-03-28T21:48:26Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳(メタデータ) (2020-06-20T03:11:04Z)
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。