深層学習と生成的人工知能に基づく衛星画像のための空間的ダウンサイジングモデルの最適化
Optimization of Spatial Downscaling Models for Satellite Imagery Based on Deep Learning and Generative Artificial Intelligence
本研究は、衛星画像の空間的ダウンサイジングにおいて、自然画像超解像モデルと衛星センサー特性との間のドメイン適応ギャップを解消するため、LandsatからSentinel-2への×3スケールファクターでの空間的ダウンサイジングのための転移学習フレームワークを提案する。SwinIRとESRGANの2つの最先端アーキテクチャに適用される浅いおよび深いファインチューニング戦略を体系的に比較した。3500個のペアパッチからなる新しいデータセットをGoogle Earth Engineで構築し、クラウド、水、スペクトル変動フィルターを適用して学習と評価を行った。パフォーマンスは、ピクセルごとの指標(MSE、PSNR、SSIM)と知覚指標(LPIPS、DISTS)を組み合わせたハイブリッド評価フレームワークで評価された。結果として、ドメイン固有のファインチューニングにより、ESRGANの深いファインチューニングがすべての指標で最高のパフォーマンスを達成し、MSEを48.7%、PSNRを1.84 dB改善した。これは、特徴抽出ブロックの中間的な凍結解除が最適な適応戦略であり、ピクセルごとの指標と知覚指標は乖離する可能性があるため、ハイブリッド評価が必要であることを示している。
- LandsatからSentinel-2への×3スケールファクターの空間的ダウンサイジングに対し、転移学習フレームワークを提案し、ドメイン適応ギャップの解消を図った。
- SwinIRとESRGANの2つの最先端アーキテクチャに浅い/深いファインチューニングを適用し体系的に比較、ESRGANの深いファインチューニングが全指標で最高性能となりMSEを48.7%、PSNRを1.84 dB改善した。
- Google Earth Engine上で3500ペアパッチの新データセットを構築し、クラウド・水・スペクトル変動フィルターを適用して学習・評価を実施した。
- 特徴抽出ブロックの中間的な凍結解除が最適な適応戦略であり、MSE/PSNR/SSIMとLPIPS/DISTSを組み合わせたハイブリッド評価が、ピクセル指標と知覚指標の乖離のため必要であることを示した。
衛星画像の超解像はリモートセンシング/地理空間データ事業のコスト構造を変え得る技術だが、本件は研究段階の手法比較であり、商用サービスや調達の発表ではない。投資家としては、SwinIR/ESRGANといった生成AIアーキテクチャのドメイン適応(転移学習)がLandsat→Sentinel-2の×3ダウンサイジングでMSE48.7%改善・PSNR1.84dB改善という定量成果を出した点を、地理空間AIの精度向上トレンドの一指標として押さえつつ、事業化の主体・契約が見えるまでは直接の投資シグナルとしては扱いにくい。ピクセル指標と知覚指標(LPIPS/DISTS)が乖離するという指摘は、評価設計が実運用の価値を左右することを示す。