面向跨传感器轨道影像的深层光谱归一化：基于 Chandrayaan-2 TMC 数据的月球马赛克
声音
2026-04-29 v1
摘要
光谱不一致性仍是从多任务轨道影像生成无缝月球马赛克的主要挑战，因为照明几何、传感器特性和获取条件存在差异。本文提出一种基于深度学习的光谱归一化框架，用于由 ISRO 的 Chandrayaan-2 Terrain Mapping Camera (TMC) 数据为主，辅以 SELENE (Kaguya) 任务辅助影像构成的多任务月球马赛克。该方法采用条件生成对抗网络 (cGAN)，包括基于 U-Net 的生成器和 PatchGAN 判别器，以学习从通常拼接的月球影像到以 LROC Wide Angle Camera (WAC) 数据为参考的光谱一致性映射。采用基于 patch 的训练策略和重叠感知推理，以实现大范围马赛克的可扩展处理，同时保持跨图块边界的结构连续性。定量评估使用结构相似性指数 (SSIM)、峰值信噪比 (PSNR) 和均方根误差 (RMSE) 显示，相对于传统直方图基于归一化技术，方法持续实现改进。该框架实现了增强的色调均匀性、减少的接缝伪影和改善的跨多源月球数据集的结构连贯性。这些结果凸显了基于学习的光谱归一化在大规模行星马赛克中的有效性，展示了其为从异构轨道影像生成高保真月球表面图的潜力。
引用
@article{arxiv.2604.25207,
title = {Hu\'i S\`u: Co-constructing a Dual Feedback Apparatus},
author = {Yichen Wang and Charles Patrick Martin},
journal= {arXiv preprint arXiv:2604.25207},
year = {2026}
}
备注
Accepted for publication at the International Conference on New Interfaces for Musical Expression (NIME) 2026 (music track)