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

1. Enunciato del Problema

La costruzione di mosaici lunari senza soluzione di continuità e su larga scala a partire da immagini orbitali multi-missione è ostacolata da significative inconsistenze radiometriche. Queste discrepanze derivano da:

• Geometria di Illuminazione Variabile: Differenze negli angoli solari durante l'acquisizione delle immagini.
• Caratteristiche dei Sensori: Variazioni nella risposta tra diverse missioni (ad esempio, Chandrayaan-2 dell'ISRO rispetto a SELENE/Kaguya della JAXA).
• Condizioni di Acquisizione: Differenze nell'esposizione e nella geometria di imaging.

Questi fattori risultano in artefatti visibili di giunzione, discontinuità tonali e disallineamenti di luminosità nei mosaici finali. I metodi tradizionali, come l'adeguamento globale degli istogrammi e il bilanciamento del tono basato su blocchi, spesso falliscono nel gestire le variazioni complesse e non lineari presenti nei dataset eterogenei multi-sorgente, portando a una scarsa qualità visiva e a una ridotta interpretabilità scientifica.

2. Metodologia

Gli autori propongono un Framework di Normalizzazione Radiometrica basato sull'Apprendimento Profondo che utilizza una Rete Generativa Avversaria Condizionata (cGAN). La pipeline consta di tre fasi principali:

A. Preparazione e Preprocessing dei Dati

• Dataset: L'input principale sono i dati della Terrain Mapping Camera (TMC) di Chandrayaan-2 (risoluzione 5m), integrati da immagini SELENE (Kaguya) (risoluzione 8m) per colmare le lacune di copertura.
• Riferimento: I dati della Wide Angle Camera (WAC) LROC (risoluzione 100m) fungono da verità di base/riferimento fotometricamente coerente.
• Preprocessing: Le immagini grezze subiscono un'Equalizzazione dell'Istogramma Adattiva Limitata dal Contrasto (CLAHE) per migliorare il contrasto locale.
• Estrazione di Patch: I grandi mosaici sono suddivisi in patch sovrapposte (512×512 o 1024×1024 pixel) per facilitare un addestramento efficiente e preservare la continuità strutturale locale.

B. Architettura del Modello (cGAN)

Il cuore del framework è una cGAN progettata per apprendere una mappatura non lineare dal mosaico di input alla distribuzione di riferimento:

• Generatore: Basato su un'architettura U-Net. Utilizza una struttura encoder-decoder con connessioni di salto per estrarre caratteristiche multi-scala e preservare i dettagli spaziali (ad esempio, bordi dei crateri, creste) mentre normalizza la radiometria.
• Discriminatore: Un discriminatore PatchGAN. Invece di valutare l'intera immagine, classifica le patch locali come reali (riferimento) o fake (generate), imponendo una coerenza ad alta frequenza e riducendo gli artefatti di giunzione locali.

C. Strategia di Addestramento e Funzioni di Perdita

• Funzione Obiettivo: Il modello minimizza una funzione di perdita combinata:
  • Perdita Avversaria ($L_{cGAN}$): Garantisce che l'output generato sia indistinguibile dalla distribuzione di riferimento.
  • Perdita L1 ($L_{L1}$): Impone una similarità strutturale a livello di pixel tra l'immagine generata e il riferimento.
  • Perdita Totale: $L_{totale} = L_{cGAN} + \lambda L_{L1}$ (dove $\lambda=100$).
• Inferenza: Viene utilizzata un'approccio a finestra scorrevole con inferenza consapevole delle sovrapposizioni. Le patch sovrapposte vengono ricostruite utilizzando una media ponderata (fusione gaussiana) per garantire transizioni senza soluzione di continuità attraverso i confini delle tessere.

3. Contributi Chiave

1. Framework di Apprendimento Profondo per Mosaici Multi-Missione: Introduce un approccio innovativo basato su cGAN specificamente adattato per normalizzare dataset lunari eterogenei (Chandrayaan-2 TMC + SELENE) rispetto a un riferimento (LROC WAC).
2. Mappatura Radiometrica Non Lineare: Supera l'adeguamento lineare degli istogrammi apprendendo trasformazioni complesse e non lineari che tengono conto delle variazioni di illuminazione e delle risposte dei sensori.
3. Strategia Scalabile Basata su Patch: Implementa un meccanismo di inferenza consapevole delle sovrapposizioni che consente l'elaborazione di mosaici su vaste aree mantenendo la continuità strutturale e minimizzando gli artefatti di confine.
4. Valutazione Completa: Fornisce prove sia quantitative (PSNR, SSIM) che qualitative (visive, istogrammi) della superiorità del metodo rispetto alle tecniche tradizionali.

4. Risultati Sperimentali

Il framework è stato addestrato per 150 epoche su una GPU NVIDIA H100.

• Prestazioni Quantitative:

  • Il modello ha raggiunto le prestazioni di picco all'Epoca 125, con un PSNR di 30,55 dB e un SSIM di 0,9876.
  • Queste metriche indicano un alto grado di similarità radiometrica e conservazione strutturale rispetto al riferimento LROC WAC.
  • I risultati hanno costantemente superato le tecniche di normalizzazione tradizionali basate sugli istogrammi.

• Osservazioni Qualitative:

  • Coerenza Visiva: I mosaici generati dall'apprendimento profondo hanno mostrato una riduzione significativa delle discontinuità di luminosità e transizioni più lisce tra le tessere rispetto alla baseline.
  • Allineamento degli Istogrammi: La distribuzione di intensità dei mosaici generati corrispondeva strettamente al mosaico WAC di riferimento, mentre i metodi tradizionali presentavano picchi irregolari e distribuzioni più ampie.
  • Conservazione delle Caratteristiche: Le strutture geologiche fini (bordi dei crateri, pattern di ejecta) sono state preservate, dimostrando che la normalizzazione non ha sfocato i dettagli critici della superficie.

• Stabilità dell'Addestramento: L'addestramento avversario ha mostrato una convergenza stabile, con la perdita del discriminatore che si è stabilizzata intorno a 0,4, indicando un addestramento bilanciato senza collasso modale.

5. Significato e Lavori Futuri

Significato:

• Utilità Scientifica: Mosaici ad alta fedeltà e senza soluzione di continuità sono fondamentali per un'analisi geomorfologica accurata, il rilevamento di cambiamenti superficiali e la pianificazione di future missioni.
• Scalabilità: Il metodo proposto offre una soluzione scalabile e automatizzata per generare mappe planetarie da dati eterogenei, riducendo la necessità di un'ampia regolazione manuale richiesta dai metodi convenzionali.
• Generalizzabilità: Sebbene focalizzato sulla Luna, il framework dimostra il potenziale dei modelli generativi profondi per l'elaborazione di immagini planetarie su diversi corpi celesti.

Limitazioni e Direzioni Future:

• Dipendenza dal Riferimento: Il metodo si basa sulla disponibilità di un dataset di riferimento radiometrico di alta qualità (LROC WAC), che potrebbe non esistere per tutti i corpi planetari.
• Vincoli delle Patch: L'addestramento su patch di dimensioni fisse potrebbe limitare la cattura di gradienti di illuminazione su scala molto ampia che si estendono su più tessere.
• Allineamento Geometrico: Il framework attuale affronta solo la radiometria; i lavori futuri mirano a integrare la correzione geometrica e la rimozione della parallasse.
• Risoluzione: La ricerca futura punterà ai dati a piena risoluzione di Chandrayaan-2 TMC (5m) e della Orbiter High Resolution Camera (OHRC), incorporando potenzialmente strategie di apprendimento informate dalla fisica.

In conclusione, questo documento dimostra che i modelli generativi profondi, in particolare le cGAN con generatori U-Net e discriminatori PatchGAN, sono altamente efficaci nel sopprimere gli artefatti di giunzione e nell'armonizzare la radiometria nei mosaici lunari multi-missione, aprendo la strada alla prossima generazione di mappatura planetaria.