PGDM: Physically Guided Diffusion Model for L Downscaling

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge

本研究では、物理制約付き拡散モデル（PGDM）を用いて、衛星観測における地表面温度（LST）のダウンスケーリング精度を向上させる手法を提案しています。従来は解像度のトレードオフや不確実性の扱いが課題でしたが、本手法ではダウンスケーリングを確率分布の推定問題として定式化し、Diffusion modelにより複数解と不確実性を同時に推定可能とします。低解像度LSTと高解像度補助データ（NDVI、DEM等）を統合し、高解像度LSTを復元します。実験では既存手法を上回るSOTA性能を達成し、特に不確実性と誤差の高い相関から、推定結果の信頼性評価にも有効であることが示されました。

Transcript

1. PGDM: Physically Guided Diffusion Model for LST Downscaling Helios 佐々木謙一 1 第27回 SatAI.challenge勉強会
2. 目次 2 • 自己紹介スライド • 研究の1ページサマリ紹介 • 研究の背景（Introduction） • 手法について（Method） • 実験（Experimet） • 結論（Conclusion）
3. 3 著者紹介 This image was generated by ChatGPT
4. 佐々木謙一 • 2012-2016:東工大機械宇宙学科 • 2016-2019:東工大院松永研究室 • 2019-2023:CU Boulder Aerospace Engineering Ph.D. in Remote Sensing, Marine pollution monitoring • Internship • 2023-2025: Esri, product engineer in spatial analysis team • 2025: Helios Founder & CEO
5. 5 要約 This image was generated by ChatGPT
6. PGDM: Physically Guided Diffusion Model for LST Downscaling 6 • Downscalingを「確率分布の推定問題」として定式化 • Diffusion modelで複数の解候補を生成 • 不確実性（uncertainty）を自己評価可能 PGDM: 物理制約を加えた拡散モデルを用いたLSTの超解像モデル Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
7. 7 論文紹介 This image was generated by ChatGPT
8. LSTの重要性 • 水循環・熱収支・農業・都市解析に必須 ◦ 例: 蒸発散推定, 干ばつ監視, 都市ヒートアイランド • 課題：解像度トレードオフ ◦ 高空間解像度 ↔ 高時間解像度 ◦ センサ制約で両立不可 研究目的 • 精度、実用性、不確実性推定を同時に解決できるモデルの提案 Introduction 8 Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
9. 手法 9 PGDMの概要 • 問題設定 • 高解像度温度 = 低解像度 + 空間ディテール • 確率分布として推定する問題と定式化 →Diffusion modelで条件付き分布を学習 • 入力 • 低解像度LST（TLR ） • 高解像度補助データ（GHR ） ◦ reflectance ◦ NDVI ◦ DEM ◦ LULC Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
10. 手法 10 PGDM Diffusionモデル • Forward process • HR LSTにノイズ付加 • LRへ徐々に近づける • Reverse process • ノイズを除去して復元 • HR LSTを生成 Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
11. 手法 11 PGDM ネットワーク構造 • Dual Encoder • 状態（温度） • 地物情報（geophysical） • Decoder • U-Net構造 • マルチスケール融合 • 時間情報を考慮 • TA-ResBlock Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
12. 手法 12 PGDM ネットワーク構造 • Dual Encoder • 状態（温度） • 地物情報（geophysical） • Decoder • U-Net構造 • マルチスケール融合 • 時間情報を考慮 • TA-ResBlock Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
13. 実験 13 PGDM • データセット: • Landsat 中国（22,909パッチ） , Landsat 全球（20地域） , ASTER（別センサ • 比較手法 • Bilinear • Kernel regression • DCF • MoCoLSK-Net（SOTA） Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
14. 結果 14 PGDM • PGDMは 1位の頻度が最も高い • 下位（ワースト側）に落ちる頻度が少ない • 特に 20×で差が拡大 • 分散が最も小さい ◦ 特に heterogeneousなシーンで有利 Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
15. 結果 15 性能と不確実性評価 全ベンチマークでSOTA Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
16. 結果 16 性能と不確実性評価 内部不確実性 vs 誤差: 強い相関（r = 0.97） 出力STD vs 誤差: 実運用でも相関あり（r = 0.76） Heterogeneity ↑ → RMSE ↑ Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用
17. まとめ 17 結論 • LSTダウンスケーリングを確率論（分布推定） に拡張 • 物理（SEB）とDiffusionを融合した PGDMを提案 • 信頼度を自己評価可能 展望 • 物理観測モデルとの統合 • 不確実性マップの活用 感想 PSF, 隣接効果などは無視しているため、問題設定としては簡単寄り 各GHRのAblation studyは欲しかった 比較手法でDiffusion model系がないのは優位性の検証として不十分なのでは Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用