Core Concepts
CRISMデータの高ノイズ部分を、ノイズ付きの教師データを用いた自己教師学習モデルにより効果的に除去することができる。
Abstract
CRISMは火星表面の詳細な鉱物マッピングを可能にしたが、センサの劣化により近年のデータの多くが高ノイズとなり、分析が困難になっている。本研究では、ノイズ付きの教師データを用いた自己教師学習モデル「Noise2Noise for Mars (N2N4M)」を提案した。
合成ノイズデータを用いた評価では、ベンチマーク手法よりも優れたノイズ除去性能を示した。
下流の鉱物分類タスクでも、ベンチマークに比べて大幅な性能向上が見られた。
実際のCRISMデータに適用した結果、ノイズが低減され、鉱物の吸収特徴が明確に抽出できるようになった。
このように、N2N4Mは教師データの制約が大きい火星探査分野において有効な手法であり、これまで見過ごされていた高ノイズデータの活用を可能にする。
Stats
近年のCRISMデータの多くは、センサの劣化により高ノイズとなっている。
高ノイズデータでは、鉱物の吸収特徴が不明瞭になり、鉱物同定が困難になる。
火星表面の詳細な分析には、高品質なノイズフリーデータが不可欠だが、そのようなデータは存在しない。
Quotes
"CRISMデータの品質は発射以来低下し続けており、2012年以降の多くのデータには十分に高いノイズ成分が含まれている。これにより、吸収特徴が隠されてしまい、鉱物同定や分析が制限される。"
"教師なしまたは自己教師学習アプローチの開発が必要不可欠である。"