Efficient Continuous DEM Reconstruction under Limited Target-Resolution Supervision
Aggiunta all'archivio di AIChronos il (numero del 24 settembre 2026 ricostruito)· fonte del · Zekai Shi, Meng Zhang, Haokun Zhang, Bo Zhang
SCOPE è un metodo che apprende una rappresentazione continua del terreno partendo da coppie di dati a risoluzione più grossolana per ricostruire griglie topografiche fini senza bisogno di riferimenti supervisionati ad alta risoluzione. L'architettura separa la previsione dei coefficienti latenti dalla costruzione della griglia di output, riutilizzando funzioni residue locali e fondendo ensemble guidati dalla geometria. Questo approccio permette una generalizzazione efficace a scale non viste durante l'addestramento mantenendo costi computazionali incrementali minimi.
- Separa la previsione ad alta dimensionalità dei coefficienti latenti dal processo di costruzione della griglia di output finale.
- Riduce l'errore RMSE del 12% rispetto all'interpolazione bicubica a scale tre volte superiori al fattore di training, avvicinandosi alle prestazioni del fine-tuning.
- Mantiene un aumento dei moltiplicazioni-accumulazioni (MAC) dell'ordine dello 0.2% nonostante un incremento novefold della densità di output.
- Dimostra una generalizzazione cross-domain superiore rispetto a baseline specifiche per DEM come EBCF-CDEM e LIIF-MS in contesti marini.
- Utilizza funzioni residue locali riutilizzabili tramite valutazione del basis e fusione ensemble guidata dalla geometria.
Perché conta. Sebbene il dominio sia la ricostruzione di terreni, i principi architetturali di SCOPE sono rilevanti per sviluppatori che lavorano con agenti AI o modelli locali: illustra come separare l'apprendimento di rappresentazioni latenti continue dalla generazione del output finale possa ridurre drasticamente i costi computazionali durante l'inference.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.