LunarDepthNet：深層学習と単眼衛星画像によるデジタル標高モデルの生成

arXiv cs.CV / 2026/4/28

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、月面のデジタル標高モデル（DEM）を単眼の衛星画像から直接生成する深層学習手法LunarDepthNetを提案し、月で詳細な標高データが不足している課題に取り組む。
LunarDepthNetはUNetベースのアーキテクチャにEfficientNetエンコーダを組み込み、表面の照明や影と実際の標高値の関係を正しく学習するためのカスタム層を取り入れている。
Chandrayaan-2 Terrain Mapping Camera（TMC）の画像と対応するデジタル地形モデル（DTM）を用いて学習・評価を行い、地形の細部を保ちつつ滑らかさも維持するための結合損失を使用している。
検証では損失の収束が安定して12%を示し、テストでは平均nRMSEが0.437、MAEが4.5mと報告されており、ステレオ画像が得られない領域でも信頼できる標高マップ生成が可能であることを示している。

要旨: 近年、月面向けの高品質なデジタル標高モデル（DEM）の需要が増加している。これは、月の研究や将来ミッションの計画において、それらが非常に重要だからである。しかし、月には明らかな詳細な標高データの不足がある。本研究は、この制約を克服するために、月面の単眼画像から表面の標高を推定し、直接標高マップを生成する新しい深層学習手法を提案する。用いたデータセットは、対応するデジタル地形モデル（DTM）を伴うチャンドラヤーン2号地形マッピングカメラ（TMC）画像で構成される。本研究では、DEMを生成するためのUNetアーキテクチャを含むLunarDepthNetを提案する。さらに、表面上の光の影が実際の標高値とどのように関係しているかを適切に学習するために、EfficientNetエンコーダとカスタム層を組み込む。また、地形の詳細を正確かつ滑らかに保つために、結合損失関数も利用した。検証中、モデルは損失の収束が安定しており、その値は12%だった。テスト段階では平均nRMSEが0.437、MAEが4.5mを達成した。これらの結果は、本モデルが単一の軌道画像から信頼できる標高マップを生成できることを示しており、ステレオ画像が利用できない月の領域において非常に有用である。