VConstruct：利用变分自编码器填补叶绿素-a数据缺口
计算机视觉与模式识别
2021-01-26 v1 图像与视频处理
摘要
叶绿素-a的遥感监测在气候变化观测中至关重要。叶绿素-a测量可反映海洋中藻类浓度，从而有助于监测海洋健康。然而，一个常见问题是用于采集数据的卫星常受云层及其他伪影遮挡，这意味着卫星时间序列数据会出现空间数据缺失。现有多种算法能以不同精度重建这些图像的缺失部分，其中数据插值经验正交函数（DINEOF）是当前标准方法。但DINEOF速度慢，在时间均质水域精度下降，依赖时间数据，且只能生成单一潜在重建结果。我们提出一种基于变分自编码器（VAE）的机器学习方法来重建叶绿素-a数据。迄今我们的精度结果与DINEOF相当但略低。我们展示了本方法的优势，包括计算时间大幅减少以及能够生成多种潜在重建结果。最后，我们概述了计划的改进与未来工作。
引用
@article{arxiv.2101.10260,
title = {VConstruct: Filling Gaps in Chl-a Data Using a Variational Autoencoder},
author = {Matthew Ehrler and Neil Ernst},
journal= {arXiv preprint arXiv:2101.10260},
year = {2021}
}