HiPredict: Predicting the missing HiRISE RED4 spectral channel with machine learning
作者: Ardan Suphi, Ben Moseley, Gareth S Collins, Valentin T Bickel, Vidhya G Rangarajan
分类: cs.LG
发布日期: 2026-10-16
💡 一句话要点
提出HiPredict以解决HiRISE RED4光谱通道缺失问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 机器学习 光谱重建 遥感技术 火星探测 U-Net架构 数据恢复 行星科学
📋 核心要点
- 现有的合成红色通道方法无法有效捕捉颜色通道之间的非线性关系，导致图像恢复精度不足。
- HiPredict通过机器学习框架重建RED4，利用U-Net架构学习输入之间的复杂关系，提供更准确的图像恢复。
- HiPredict在23,348个测试样本上的表现优异，重建的RED4归一化平均绝对误差为1.1%，显著优于传统方法的3.1%。
📝 摘要（中文）
高分辨率成像科学实验（HiRISE）搭载于火星侦察轨道器（MRO），以25-30厘米/像素的分辨率获取火星图像，支持火星地质、气候历史及着陆点特征研究。2023年，中心探测器RED4出现间歇性故障，导致获取图像的能力减半。虽然HiRISE处理管道提供了合成红色通道（SYN4），但其线性缩放方法无法捕捉颜色通道之间的非线性关系。本文提出了HiPredict，一个基于机器学习的框架，通过共定位的红外（IR10）和蓝绿色（BG12）图像、相邻红色通道观测及获取元数据重建RED4。该模型采用U-Net架构，学习输入之间的非线性时空光谱关系。经过评估，HiPredict在重建RED4时的归一化平均绝对误差为1.1%，显著优于SYN4的3.1%。重建产品改善了颜色图像的恢复，更准确地表示了冰冻陨石坑、脊顶暴露的地层和氯化物沉积物等特征。我们将HiPredict作为开源软件工具发布，展示了机器学习在行星任务老化和自然退化中减轻数据损失的潜力。
🔬 方法详解
问题定义：本文旨在解决HiRISE探测器RED4的间歇性故障导致的光谱通道缺失问题。现有的合成红色通道方法（SYN4）通过线性缩放处理，无法有效捕捉颜色通道之间的非线性关系，从而影响图像的恢复质量。
核心思路：论文提出的HiPredict框架利用机器学习技术，通过分析共定位的红外（IR10）和蓝绿色（BG12）图像、相邻红色通道观测及获取元数据，重建缺失的RED4通道。采用U-Net架构能够有效学习输入数据之间的复杂非线性关系。
技术框架：HiPredict的整体架构包括数据预处理、模型训练和重建三个主要阶段。首先，收集和处理输入数据，然后使用U-Net模型进行训练，最后生成重建的RED4图像。
关键创新：HiPredict的主要创新在于其采用的U-Net架构，能够捕捉输入数据之间的非线性时空光谱关系，这与传统的线性缩放方法有本质区别。
关键设计：在模型设计中，HiPredict使用了81,717个训练样本，代表13,625个观测数据，损失函数采用了适合图像重建的标准，确保了重建结果的高精度。
🖼️ 关键图片
📊 实验亮点
HiPredict在重建RED4光谱通道时表现出色，归一化平均绝对误差为1.1%，显著优于传统合成方法SYN4的3.1%。这一成果表明，机器学习在处理行星探测数据中的潜力，尤其是在应对设备老化和数据缺失方面。
🎯 应用场景
该研究的潜在应用领域包括行星科学、遥感图像处理和地质勘探等。HiPredict的成功应用不仅可以改善火星图像的质量，还能为其他行星探测任务中数据缺失问题提供解决方案，具有重要的实际价值和未来影响。
📄 摘要（原文）
The High Resolution Imaging Science Experiment (HiRISE) onboard the Mars Reconnaissance Orbiter (MRO) acquires imagery of Mars at 25--30 cm/pixel, supporting studies of martian geology, climate history, and landing-site characterization. Its 14-detector focal plane assembly includes several overlapping detectors that enable the acquisition of three-channel colour-infrared images, which are important for identifying compositional variations and studying active surface processes. In 2023, a detector in the center of the focal plane assembly (RED4) began failing intermittently, creating a gap in acquired imagery and reducing the instrument's colour-imaging capability by half. The HiRISE processing pipeline provides a synthetic red (SYN4) channel obtained by linearly scaling the co-located infrared (IR10) channel. However, this approach cannot capture observed non-linear relationships between the colour channels, limiting its accuracy and applicability. Here, we present HiPredict, a machine-learning framework that reconstructs RED4 from co-located IR10 and blue-green (BG12) imagery, neighbouring red-channel observations, and acquisition metadata. The model employs a U-Net architecture to learn non-linear spatiotemporal-spectral relationships between these inputs and is trained on 81,717 training samples, representing 13,625 observations. Evaluated on 23,348 test samples, representing 3,892 pre-failure observations, HiPredict reconstructs RED4 with a Normalised Mean Absolute Error of 1.1%, substantially outperforming SYN4 (3.1%). The reconstructed products improve colour image recovery and more closely represent features of interest such as icy craters, stratigraphy exposed along ridge crests and chloride deposits. We release HiPredict as an open software tool. This work demonstrates the potential of machine learning to mitigate data loss as planetary missions age and naturally degrade.