Towards Seamless Lunar Mosaics: Deep Radiometric Normalization for Cross-Sensor Orbital Imagery Using Chandrayaan-2 TMC Data

Aquí se presenta un resumen técnico detallado del artículo prepublicado titulado "Hacia mosaicos lunares sin costuras: Normalización radiométrica profunda para imágenes orbitales de sensores cruzados utilizando datos de TMC de Chandrayaan-2".

1. Planteamiento del Problema

La construcción de mosaicos lunares sin costuras y a gran escala a partir de imágenes orbitales de múltiples misiones se ve obstaculizada por inconsistencias radiométricas significativas. Estas discrepancias surgen de:

• Geometría de Iluminación Variable: Diferencias en los ángulos solares durante la adquisición de imágenes.
• Características del Sensor: Variaciones en la respuesta entre diferentes misiones (por ejemplo, Chandrayaan-2 de ISRO frente a SELENE/Kaguya de JAXA).
• Condiciones de Adquisición: Diferencias en la exposición y la geometría de la imagen.

Estos factores resultan en artefactos visibles de costura, discontinuidades tonales y desajustes de brillo en los mosaicos finales. Los métodos tradicionales, como la igualación global de histogramas y el equilibrio de tonos basado en bloques, a menudo fallan al manejar las variaciones complejas y no lineales presentes en conjuntos de datos heterogéneos de múltiples fuentes, lo que conduce a una mala calidad visual y a una reducida interpretabilidad científica.

2. Metodología

Los autores proponen un Marco de Normalización Radiométrica Basado en Aprendizaje Profundo que utiliza una Red Generativa Adversarial Condicional (cGAN). El flujo de trabajo consta de tres etapas principales:

A. Preparación de Datos y Preprocesamiento

• Conjuntos de Datos: La entrada principal son los datos de la Cámara de Mapeo de Terreno (TMC) de Chandrayaan-2 (resolución de 5 m), complementados con imágenes de SELENE (Kaguya) (resolución de 8 m) para llenar los vacíos de cobertura.
• Referencia: Los datos de la Cámara de Gran Angular (WAC) de LROC (resolución de 100 m) sirven como verdad fundamental de referencia fotométricamente consistente.
• Preprocesamiento: Las imágenes crudas sufren una Ecualización de Histograma Adaptativa Limitada por Contraste (CLAHE) para mejorar el contraste local.
• Extracción de Parches: Los mosaicos grandes se dividen en parches superpuestos (512×512 o 1024×1024 píxeles) para facilitar un entrenamiento eficiente y preservar la continuidad estructural local.

B. Arquitectura del Modelo (cGAN)

El núcleo del marco es una cGAN diseñada para aprender un mapeo no lineal desde el mosaico de entrada hacia la distribución de referencia:

• Generador: Basado en una arquitectura U-Net. Utiliza una estructura de codificador-decodificador con conexiones de salto para extraer características multiescala y preservar los detalles espaciales (por ejemplo, bordes de cráteres, crestas) mientras normaliza la radiometría.
• Discriminador: Un discriminador PatchGAN. En lugar de evaluar la imagen completa, clasifica parches locales como reales (referencia) o falsos (generados), imponiendo consistencia de alta frecuencia y reduciendo artefactos de costura locales.

C. Estrategia de Entrenamiento y Funciones de Pérdida

• Función Objetivo: El modelo minimiza una función de pérdida combinada:
  • Pérdida Adversarial ($L_{cGAN}$): Asegura que la salida generada sea indistinguible de la distribución de referencia.
  • Pérdida L1 ($L_{L1}$): Impone similitud estructural a nivel de píxel entre la imagen generada y la referencia.
  • Pérdida Total: $L_{total} = L_{cGAN} + \lambda L_{L1}$ (donde $\lambda=100$).
• Inferencia: Se utiliza un enfoque de ventana deslizante con inferencia consciente de la superposición. Los parches superpuestos se reconstruyen utilizando un promedio ponderado (mezcla gaussiana) para asegurar transiciones sin costuras a través de los límites de las baldosas.

3. Contribuciones Clave

1. Marco de Aprendizaje Profundo para Mosaicos de Múltiples Misiones: Introduce un enfoque novedoso basado en cGAN específicamente adaptado para normalizar conjuntos de datos lunares heterogéneos (Chandrayaan-2 TMC + SELENE) frente a una referencia (LROC WAC).
2. Mapeo Radiométrico No Lineal: Va más allá de la igualación lineal de histogramas al aprender transformaciones complejas y no lineales que tienen en cuenta la iluminación variable y las respuestas de los sensores.
3. Estrategia Escalable Basada en Parches: Implementa un mecanismo de inferencia consciente de la superposición que permite el procesamiento de mosaicos de gran área manteniendo la continuidad estructural y minimizando los artefactos de borde.
4. Evaluación Exhaustiva: Proporciona evidencia tanto cuantitativa (PSNR, SSIM) como cualitativa (visual, histograma) de la superioridad del método sobre las técnicas tradicionales.

4. Resultados Experimentales

El marco fue entrenado durante 150 épocas en una GPU NVIDIA H100.

• Rendimiento Cuantitativo:

  • El modelo alcanzó su rendimiento óptimo en la Época 125, con un PSNR de 30.55 dB y un SSIM de 0.9876.
  • Estas métricas indican un alto grado de similitud radiométrica y preservación estructural en comparación con la referencia LROC WAC.
  • Los resultados superaron consistentemente a las técnicas de normalización tradicionales basadas en histogramas.

• Observaciones Cualitativas:

  • Consistencia Visual: Los mosaicos generados por aprendizaje profundo mostraron una reducción significativa de las discontinuidades de brillo y transiciones más suaves entre baldosas en comparación con la línea base.
  • Alineación de Histogramas: La distribución de intensidad de los mosaicos generados coincidió estrechamente con el mosaico de referencia WAC, mientras que los métodos tradicionales exhibieron picos irregulares y distribuciones más amplias.
  • Preservación de Características: Las estructuras geológicas finas (bordes de cráteres, patrones de eyección) se preservaron, demostrando que la normalización no difuminó detalles críticos de la superficie.

• Estabilidad del Entrenamiento: El entrenamiento adversarial mostró una convergencia estable, con la pérdida del discriminador estabilizándose alrededor de 0.4, lo que indica un entrenamiento equilibrado sin colapso de modos.

5. Significado y Trabajo Futuro

Significado:

• Utilidad Científica: Los mosaicos sin costuras de alta fidelidad son críticos para el análisis geomorfológico preciso, la detección de cambios en la superficie y la planificación de futuras misiones.
• Escalabilidad: El método propuesto ofrece una solución escalable y automatizada para generar mapas planetarios a partir de datos heterogéneos, reduciendo la necesidad de un ajuste manual extenso requerido por los métodos convencionales.
• Generalización: Aunque se centra en la Luna, el marco demuestra el potencial de los modelos generativos profundos para el procesamiento de imágenes planetarias en diferentes cuerpos celestes.

Limitaciones y Direcciones Futuras:

• Dependencia de Referencia: El método depende de la disponibilidad de un conjunto de datos de referencia radiométrica de alta calidad (LROC WAC), lo cual puede no existir para todos los cuerpos planetarios.
• Restricciones de Parches: El entrenamiento con parches de tamaño fijo puede limitar la captura de gradientes de iluminación a muy gran escala que se extienden a través de múltiples baldosas.
• Alineación Geométrica: El marco actual aborda solo la radiometría; el trabajo futuro tiene como objetivo integrar la corrección geométrica y la eliminación de paralaje.
• Resolución: La investigación futura se centrará en datos de resolución completa de Chandrayaan-2 TMC (5 m) y de la Cámara de Alta Resolución del Orbiter (OHRC), incorporando potencialmente estrategias de aprendizaje informadas por la física.

En conclusión, este artículo demuestra que los modelos generativos profundos, específicamente las cGAN con generadores U-Net y discriminadores PatchGAN, son altamente efectivos para suprimir artefactos de costura y armonizar la radiometría en mosaicos lunares de múltiples misiones, allanando el camino para la cartografía planetaria de próxima generación.