云的学习式三维体积恢复及其不确定性用于气候分析
计算机视觉与模式识别
2024-03-12 v1 人工智能
摘要
气候预测和云物理学中的显著不确定性与对浅层散射云的观测缺口有关。解决这些挑战需要对其三维（3D）异构体积散射内容进行遥感。这要求采用被动散射计算断层扫描（CT）。我们设计了一种基于噪声多视角太空图像的学习模型（ProbCT），以实现此类云的CT。ProbCT首次推断云的各异构消光系数的后验概率分布，按每个3D位置计算。由此可得任意有价值统计信息，例如最可能消光的3D场及其不确定性。ProbCT采用神经场表示，几乎实现实时推断。ProbCT通过新的标记的多类数据库进行监督式训练，该数据库包含云的基于物理的体积场及其对应的图像。为提高外分布推断能力，我们采用差分渲染中的自监督学习。我们在仿真和真实数据上展示了该方法，并指出3D恢复及其不确定性对降水和可再生能源的重要性。
引用
@article{arxiv.2403.05932,
title = {Learned 3D volumetric recovery of clouds and its uncertainty for climate analysis},
author = {Roi Ronen and Ilan Koren and Aviad Levis and Eshkol Eytan and Vadim Holodovsky and Yoav Y. Schechner},
journal= {arXiv preprint arXiv:2403.05932},
year = {2024}
}