オンボードAIに向けた衛星画像復元の再考：軽量な学習ベース手法

アブストラクト: 衛星画像の修復は、撮像システムや取得条件によって導入される劣化（例：ノイズやブラー）を補償することで、画像品質を向上させることを目的としています。基本的な前処理ステップとして、修復は地上での製品生成と、出現しつつある搭載型AIアプリケーションの両方に直接影響します。逐次的な物理モデルに基づく従来の修復パイプラインは計算量が多く、遅いため、搭載環境には適していません。本論文では、ConvBEERSを提案します。これは、宇宙向けのための、畳み込み型のボード搭載に適した組込みかつ効率的な修復モデルであり、シミュレーションした衛星データで学習された、軽量で非生成型の残差畳み込みネットワークが、複数の運用条件において従来の地上処理の修復パイプラインに匹敵、あるいはそれを上回ることができるかどうかを検証することを目的としています。シミュレーションデータセットおよび実際のプレアデス-HR画像で行った実験により、提案手法は競争力のある画像品質を達成し、+6.9dBのPSNR改善が得られることが示されました。下流の物体検出タスクでの評価では、修復によって性能が大幅に向上し、最大で+5.1%のmAP@50が得られます。さらに、Xilinx Versal VCK190 FPGAへの正常な実装により、衛星の搭載処理における実用的な実現可能性が検証されました。従来のパイプラインと比較して待ち時間（レイテンシ）が約41倍削減されています。これらの結果は、軽量なCNNを用いて、宇宙搭載システムにおける現実的な制約に対処しつつ、競争力のある修復品質を実現できることの関連性を示しています。