Apr, 2024

基于数据驱动的大气透射反转神经代理

PDF
TL;DR我们提出了一种从光谱场景中推断大气传输剖面的框架。该框架利用一个轻量级、基于物理的模拟器，通过自动微分和可微编程来构建一个替代的大气剖面模型，以模拟观测数据。我们通过（i）进行大气校正，（ii）重新构建不同模态间的光谱数据（例如地表和传感器的辐射和反射率），以及（iii）推断大气传输剖面，如吸收带和它们的相对强度，展示了该方法的实用性。
发现论文，激发创造
  • 使用机器学习代理模型复现行星大气参数重构的贝叶斯后验分布

    用机器学习建立的代理模型，能够生成类似于使用传统检索软件（如 TauRex）从行星凌星光谱中得出的行星大气参数的贝叶斯后验分布。该模型通过对七个参数（行星半径、大气温度以及五种常见吸收剂的混合比：$H_2O$、$CH_4$、$NH_3$、$CO$ 和 $CO_2$）的真实分布进行预训练，采用问题领域的启发式预处理和半监督学习方法提高模型性能，并在 2023 年 Ariel 机器学习数据挑战中获得优胜方案之一。

    Oct, 2023

  • 大气湍流抑制的等变模板配准

    通过模拟光流和引入隐函数模板，我们提出了一种强大的方法来恢复受大气湍流影响的图像的辐照度，该方法在注册中没有使用模板，避免了与模板初始化相关的伪影，并取得了最先进的性能。

    May, 2024

  • 短期太阳辐照度预测在数据传输约束下的应用

    通过降维天空相机图像的标量特征以满足数据传输限制，我们提出了一种用于太阳辐照短期预测的数据简化机器学习模型。经过受控理论的启发，我们使用噪声输入反映未测量的变量，并证明其显著提高了模型的预测能力。利用来自 NREL Solar Radiation Research Laboratory 的五年数据，我们创建了三个滚动训练验证集，确定了时间的最佳表示形式、输入测量的最佳跨度以及最具影响力的模型输入数据（特征）。在选择的测试数据上，与云量持续模型的基准值 134.35 $W/m^2$ 相比，该模型实现了 74.34 $W/m^2$ 的平均绝对误差。

    Mar, 2024

  • 基于数据驱动同化和预测的 Sentinel-2 反射动态学习

    本文应用 Koopman 算子理论灵感，训练了一个自监督深度学习模型，用于建模未经标注的多光谱和高光谱卫星图像，同时证明了该模型可以用于数据同化。

    May, 2023

  • 使用神经网络对系外行星大气层的压力 - 温度剖面进行参数化

    利用少量参数的基于神经网络的潜变量模型的参数化方案，实现了对大气检测和外行星大气特征的更准确和更高效的估计。

    Sep, 2023

  • 从光谱到生物物理洞见：与一种偏置辐射传输模型的端到端学习

    基于机器学习和地球观测数据的气候变化研究进展，提出了一种整合辐射传输模型和自编码器架构的端到端学习方法，不仅能纠正辐射传输模型的偏差，而且在变量检索方面优于传统神经网络回归技术，并且该框架在反演有偏物理模型上具有潜在普适性。

    Mar, 2024

  • 利用基于物理的色散模型的可微编程进行高光谱分离

    本文将基于物理原理的方法与深度学习相结合，借助分散模型工具将光谱变异性考虑到算法中，并将测量数据分解为纯物质组成的混合物，使用卷积神经网络对分散模型参数进行反渲染预测以提高精度和速度，在可见到近红外和红外两个数据集上取得了最先进的结果。

    Jul, 2020

  • 时空湍流抑制：一个翻译视角

    利用经典图像修复算法的直觉，我们提出了深度大气湍流抑制网络（DATUM），能够在深度学习方法中高效地执行长距离时序聚合，同时无缝地促进像素注册和幸运成像，并通过额外的监督来共同减轻倾斜和模糊退化，从而显著优于现有方法，并提供十倍的处理速度提升。

    Jan, 2024

  • 单帧大气湍流抑制：基准研究与一种新的物理启示 Transformers 模型

    本研究提出了一种基于物理启发的转换器模型来处理大气湍流引起的图像失真，利用该模型可以提取动态湍流失真图并恢复无失真图像，并收集了两个现实世界的湍流数据集，用经典数据和一种新的任务驱动度量来进行评估。

    Jul, 2022

  • 使用物理与神经渲染器的半透明物体反渲染

    该研究提出了一种反渲染模型，可以从一对仅捕获到的半透明物体的图像中，联合预测 3D 形状、可变反射率、均匀次表面散射参数和环境光照。研究者还使用了基于物理和神经渲染器来解决反渲染中的模糊问题，并构建了庞大的合成数据集来验证模型的有效性。

    May, 2023