用于月球数字高程图无数据间隙概率重建的神经过程方法
应用统计
2020-04-22 v1 图像与视频处理
摘要
随着 NASA 月球勘测轨道飞行器 (LRO) 的出现，已利用窄角相机 (NAC) 构建了大量高分辨率数字高程图 (DEM) 以表征月球表面。然而，NAC DEM 通常包含无数据间隙（空白），这使得地图的可靠性降低。为了解决这个问题，本文提供了一个基于深度学习的框架，用于对 NAC DEM 中的无数据间隙进行概率重建。该框架建立在最先进的随机过程模型——注意力神经过程 (ANP) 之上，并预测以附近区域观测到的海拔数据为条件的目标坐标（纬度和经度）上的海拔条件分布。此外，本文提出了稀疏注意力神经过程 (SANP)，不仅将 ANP 的线性计算复杂度 O(N) 降低至常数复杂度 O(K)，还通过防止过拟合和过平滑问题增强了重建性能。所提出的方法在 Apollo 17 着陆点（20.0{\deg}N 和 30.4{\deg}E）进行了评估，表明该方法在保持原始 NAC DEM 高分辨率的同时，通过不确定性分析成功重建了无数据间隙。
引用
@article{arxiv.2004.09791,
title = {A Neural Process Approach for Probabilistic Reconstruction of No-Data Gaps in Lunar Digital Elevation Maps},
author = {Young-Jin Park and Han-Lim Choi},
journal= {arXiv preprint arXiv:2004.09791},
year = {2020}
}
备注
24 pages, 5 figures, submitted to Aerospace Science and Technology