面向跨传感器轨道图像的深层光度归一化：基于Chandrayaan-2 TMC数据的月球全景图
计算机视觉与模式识别
2026-04-29 v1 天体物理仪器与方法
摘要
来自多任务轨道图像的月球全景图在制作过程中仍面临光度不一致的主要挑战，这源于照明几何、传感器特性和获取条件的差异。本文提出了一种基于深度学习的光度归一化框架，用于由主要来自ISRO Chandrayaan-2 Terrain Mapping Camera (TMC) 数据、辅以SELENE(Kaguya)任务数据构建的多任务月球全景图。该方法采用条件生成对抗网络(cGAN)，其中包含基于U-Net的生成器和PatchGAN鉴别器，以从传统拼接的月球图像学习非线性光度映射，映射到以LROC Wide Angle Camera (WAC)数据为参考的光度一致图像。采用基于patch的训练策略和重叠感知推断，以实现大范围全景图的可扩展处理，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)，证明相对于传统直方图基于归一化技术，本方法持续改进。该框架实现了增强的色调均匀性、减少的接缝伪影和改进的跨多源月球数据集的结构一致性。这些结果突显了基于学习的光度归一化在大规模行星图像拼接中的有效性，展示了其为从异构轨道图像生成高保真月球表面图的潜力。
引用
@article{arxiv.2604.25208,
title = {Towards Seamless Lunar Mosaics: Deep Radiometric Normalization for Cross-Sensor Orbital Imagery Using Chandrayaan-2 TMC Data},
author = {Pratincha Singh and Jai Gopal Singla and Prashant Hemrajani and Nitant Dube and Amithabh and Hinal Patel},
journal= {arXiv preprint arXiv:2604.25208},
year = {2026}
}