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

以下は、プレプリント論文「Chandrayaan-2 TMC データを用いたクロスセンサー軌道画像のための深層放射較正によるシームレスな月面モザイクの構築」の詳細な技術的要約です。

1. 問題定義

複数のミッションにわたる軌道画像から大規模なシームレスな月面モザイクを構築する作業は、顕著な放射較正の不整合によって阻害されています。これらの不一致は、以下の要因に起因します：

• 可変的な照明幾何学： 画像取得時の太陽角度の違い。
• センサー特性： 異なるミッション間（例：ISRO の Chandrayaan-2 と JAXA の SELENE/Kaguya）の応答の違い。
• 取得条件： 露出および撮影幾何学の違い。

これらの要因により、最終的なモザイクにおいて目視可能な継ぎ目のアーティファクト、トーンの不連続性、および輝度の不一致が生じます。グローバルなヒストグラムマッチングやブロックベースのトーンバランス調整などの従来の手法は、異質な多ソースデータセットに見られる複雑な非線形な変動を処理できず、結果として視覚品質の低下と科学的解釈性の低下を招いています。

2. 手法

著者らは、条件付き生成敵対的ネットワーク（cGAN）を利用した深層学習ベースの放射較正フレームワークを提案します。このパイプラインは、主に 3 つの段階で構成されます：

A. データ準備と前処理

• データセット： 主要な入力データは**Chandrayaan-2 地形マッピングカメラ（TMC）データ（5m 解像度）であり、カバレッジの隙間を埋めるためにSELENE（Kaguya）**画像（8m 解像度）が補完的に使用されます。
• 参照データ： 放射測光的一貫性を持つグランドトゥルース/参照として、**LROC ワイドアングルカメラ（WAC）**データ（100m 解像度）が用いられます。
• 前処理： 生画像は、局所コントラストを強化するために、コントラスト制限付き適応ヒストグラム等化（CLAHE）を施されます。
• パッチ抽出： 大規模なモザイクは、効率的な学習を促進し、局所的な構造的連続性を維持するために、重なり合うパッチ（512×512 または 1024×1024 ピクセル）に分割されます。

B. モデルアーキテクチャ（cGAN）

フレームワークの中核は、入力モザイクから参照分布への非線形なマッピングを学習するように設計された cGAN です：

• ジェネレーター： U-Net アーキテクチャに基づいています。エンコーダ - デコーダ構造にスキップ接続を備え、放射較正を行いながらマルチスケール特徴を抽出し、クレーターのリムや尾根などの空間的詳細を保持します。
• ディスクリミネーター： PatchGANディスクリミネーターです。画像全体を評価するのではなく、ローカルなパッチを真（参照）または偽（生成）として分類し、高周波数の一貫性を強制して局所的な継ぎ目のアーティファクトを低減します。

C. 学習戦略と損失関数

• 目的関数： モデルは、以下の組み合わせ損失関数を最小化します：
  • 敵対的損失（$L_{cGAN}$）： 生成された出力が参照分布と区別できないことを保証します。
  • L1 損失（$L_{L1}$）： 生成画像と参照との間のピクセルレベルの構造的類似性を強制します。
  • 総損失： $L_{total} = L_{cGAN} + \lambda L_{L1}$（ここで $\lambda=100$）。
• 推論： オーバーラップを考慮したスライディングウィンドウアプローチが使用されます。重なり合うパッチは、タイル境界をまたぐシームレスな遷移を確保するために、重み付け平均（ガウスブレンディング）を用いて再構成されます。

3. 主な貢献

1. マルチミッションモザイクのための深層学習フレームワーク： 異質な月面データセット（Chandrayaan-2 TMC + SELENE）を参照（LROC WAC）に対して較正するために特化した、新規の cGAN ベースのアプローチを導入します。
2. 非線形放射較正マッピング： 可変的な照明とセンサー応答を考慮した複雑な非線形変換を学習することで、線形ヒストグラムマッチングを超えたアプローチを実現します。
3. スケーラブルなパッチベース戦略： 構造的連続性を維持し、境界アーティファクトを最小化しながら、広域モザイクの処理を可能にするオーバーラップを考慮した推論メカニズムを実装します。
4. 包括的な評価： 従来の手法に対する本手法の優位性について、定量的（PSNR、SSIM）および定性的（視覚的、ヒストグラム）な証拠を提供します。

4. 実験結果

このフレームワークは、NVIDIA H100 GPU 上で 150 エポック学習されました。

• 定量的性能：

  • モデルはエポック 125でピーク性能を達成し、PSNR は 30.55 dB、SSIM は 0.9876でした。
  • これらの指標は、LROC WAC 参照と比較して、高い放射較正の類似性と構造的保持を示しています。
  • 結果は、一貫して従来のヒストグラムベースの較正手法を上回りました。

• 定性的観察：

  • 視覚的一貫性： 深層学習で生成されたモザイクは、ベースラインと比較して輝度の不連続性が大幅に減少し、タイル間の遷移が滑らかでした。
  • ヒストグラム整合： 生成されたモザイクの強度分布は参照 WAC モザイクと密接に一致しましたが、従来の手法では不規則なピークや広範な分布が見られました。
  • 特徴の保持： 微細な地質構造（クレーターのリム、噴出物パターン）が保持され、較正が重要な表面の詳細をぼかしていないことが示されました。

• 学習の安定性： 敵対的学習は安定した収束を示し、ディスクリミネーター損失は 0.4 付近で安定しました。これは、モード崩壊なしにバランスの取れた学習が行われたことを示しています。

5. 意義と今後の課題

意義：

• 科学的有用性： 高忠実度でシームレスなモザイクは、正確な地形学的分析、表面変化の検出、将来のミッション計画に不可欠です。
• スケーラビリティ： 提案された手法は、異質なデータから惑星地図を生成するためのスケーラブルで自動化されたソリューションを提供し、従来の手法で必要とされる広範な手動調整の必要性を低減します。
• 汎用性： 月面に焦点を当てていますが、このフレームワークは、異なる天体における惑星画像処理に対する深層生成モデルの可能性を示しています。

限界と今後の方向性：

• 参照依存性： この手法は、高品質な放射較正参照データセット（LROC WAC）の入手可能性に依存しており、すべての惑星天体に存在するとは限りません。
• パッチの制約： 固定サイズのパッチ学習は、複数のタイルにまたがる非常に大規模な照明勾配の捕捉を制限する可能性があります。
• 幾何学的整合： 現在のフレームワークは放射較正のみを対象としており、今後の課題として幾何学的補正と視差除去の統合を目指します。
• 解像度： 今後の研究では、完全解像度の Chandrayaan-2 TMC（5m）およびオービター高解像度カメラ（OHRC）データを対象とし、物理情報に基づく学習戦略の取り込みを検討します。

結論として、本論文は、U-Net ジェネレーターと PatchGAN ディスクリミネーターを備えた cGAN などの深層生成モデルが、マルチミッション月面モザイクにおける継ぎ目のアーティファクトを抑制し、放射較正を調和させるのに極めて効果的であることを実証しており、次世代の惑星地図作成への道を開いています。