Jak skutecznie dostosować modele do detekcji kraterów na Merkurym?

Próba zastosowania tradycyjnych modeli detekcji kraterów z Księżyca na powierzchni Merkurego wykazuje istotne wyzwania wynikające z różnic w morfologii kraterów i warunkach obserwacyjnych. Kratery na Merkurym, w porównaniu do tych na Księżycu, przybierają bardziej eliptyczny kształt, co wynika z kąta padania promieni słonecznych oraz charakterystyki uderzeń. Te zmiany w geometrii obiektów, a także różnice w oświetleniu i teksturze powierzchni, stwarzają poważne trudności w zastosowaniu standardowych, wytrenowanych na innych planetach, algorytmów detekcji.

Jednak dzięki wprowadzeniu podejścia adaptacji bez nadzoru (UDA), możliwe stało się znaczące zmniejszenie rozbieżności pomiędzy danymi pochodzącymi z różnych planet. W praktyce, zastosowanie pełnej ścieżki adaptacji domeny, obejmującej randomizację, dopasowanie histogramów oraz wyizolowanie cech przez CIFM (Causal Image Feature Matching), pozwoliło na uzyskanie wyników zbliżonych do tych, które uzyskano w pełni nadzorowanej nauce, z AP (Average Precision) zwiększonym z 0.536 do 0.753.

Aby zrozumieć skuteczność tego rozwiązania, warto przyjrzeć się szczegółowo zastosowanym technikom. Randomizacja domeny, nawet w izolacji, pozwoliła na poprawę wyniku detekcji do 0.586. Dodanie dopasowania histogramu jeszcze bardziej zwiększyło precyzję do 0.610, natomiast pełna adaptacja z CIFM osiągnęła rekordowe 0.753. To pokazuje, jak zaawansowane metody dostosowywania geometrii i normalizacji oświetlenia mogą poprawić wyniki w zadaniach detekcji obiektów w obliczu różnic między domenami.

Adaptacja bez nadzoru umożliwia nie tylko lepsze dostosowanie algorytmu do zmienności warunków obserwacyjnych na różnych planetach, ale także ma ogromne znaczenie praktyczne. W szczególności, po zastosowaniu tej techniki, model zyskał zdolność do wykrywania eliptycznych kraterów, które byłyby pominięte przez modele niezaadoptowane, a dokładność detekcji została znacznie zwiększona, co jest kluczowe dla przyszłych misji kosmicznych, zwłaszcza tych związanych z nawigacją i badaniem powierzchni planet.

Zastosowane podejście można przełożyć nie tylko na badania związane z kraterami, ale i na inne struktury geologiczne, jak grzbiety, uskoki czy wulkaniczne formacje, dzięki czemu można przeprowadzić kompleksową mapowanie powierzchni planet. Ponadto, ta metoda może wspierać rozwój autonomicznych systemów nawigacyjnych, co jest niezwykle istotne w kontekście przyszłych misji kosmicznych, gdzie minimalizacja potrzeby ręcznego nadzoru nad detekcją celów stanowi klucz do oszczędności czasowych i finansowych.

Rozwój takich systemów, jak CraterNet, ma potencjał nie tylko w kontekście analizy planetarnej, ale również w innych obszarach eksploracji kosmicznej. Dzięki metodom adaptacji domeny, które minimalizują potrzeby w zakresie zbierania danych etykietowanych z docelowych domen, procesy wykrywania i analizy obiektów kosmicznych stają się bardziej elastyczne i wydajne. W kontekście przyszłych badań warto rozważyć integrację temporalnych informacji z obrazów sekwencyjnych, co pozwoliłoby na zwiększenie odporności systemu na zmiany w czasie, zwłaszcza w fazach zbliżania się do powierzchni planet.

Biorąc pod uwagę wyzwania związane z różnicami morfologicznymi kraterów i warunkami obserwacyjnymi na różnych ciałach niebieskich, proces adaptacji stanowi kluczowy krok w kierunku stworzenia uniwersalnych narzędzi do detekcji obiektów na innych planetach. W przyszłości można spodziewać się, że podobne techniki będą stanowić fundament dla bardziej złożonych systemów autonomicznych wykorzystywanych na misjach międzyplanetarnych, gdzie różnorodność warunków oświetleniowych i geologicznych stawia przed naukowcami i inżynierami nowe wyzwania.

Jakie innowacje w analizie ruchu obiektów w trudnych warunkach atmosferycznych mogą zrewolucjonizować autonomiczne systemy przestrzenne?

Innowacyjne podejścia do śledzenia celów w przestrzeni kosmicznej, zwłaszcza w kontekście obiektów, które nie współpracują z systemami monitorowania, otwierają nowe możliwości dla autonomicznych systemów operujących w trudnych warunkach. Technologie te oferują szereg rozwiązań, które pozwalają na efektywne śledzenie obiektów nawet w przypadku ich szybkich ruchów, zmiennego oświetlenia czy niewielkiej ilości wcześniejszych danych o danym obiekcie. Z perspektywy technologii wizyjnej, szczególną uwagę zwraca stosowanie metod optymalizacji grafów pozycji, które skutecznie eliminują błędy związane z dryfem, umożliwiając stabilne śledzenie obiektów przez długie okresy czasu, co jest szczególnie ważne w kontekście autonomicznych misji kosmicznych.

W kontekście szybko poruszających się obiektów, istotne znaczenie ma minimalizacja błędów związanych z określeniem kąta ich położenia. Wyniki analizy porównawczej dostępnych technologii potwierdzają, że omawiane podejście oferuje wyraźne przewagi w takich warunkach. Zredukowanie średniego błędu kątowego do poziomu zaledwie 0.63° i uzyskanie wysokiego wskaźnika dopasowania (matching score) 0.767 stanowi znaczną poprawę w stosunku do tradycyjnych metod. Takie wyniki stają się szczególnie istotne, kiedy mamy do czynienia z sytuacjami, w których obiekty wykonują szybkie obroty – to właśnie w tych warunkach konwencjonalne metody zawodzą.

Dzięki zastosowaniu algorytmów optymalizacji grafów pozycji, które skutecznie minimalizują kumulacyjny dryf, możliwe jest uzyskanie bardzo precyzyjnych wyników, nawet po wielu pełnych obrotach obiektu. Taka technologia pozwala na kontynuowanie operacji śledzenia przez długie okresy czasu bez konieczności częstej rekalibracji systemu, co jest szczególnie istotne w przypadku misji autonomicznych w przestrzeni kosmicznej, gdzie ciągłe monitorowanie jest kluczowe dla bezpieczeństwa i skuteczności operacji.

Oprócz dalszej optymalizacji algorytmów pod kątem efektywności obliczeniowej, co jest istotne dla platform o ograniczonych zasobach, warto rozważyć integrację różnych rodzajów czujników. Dodatkowe modalności sensoryczne mogłyby znacznie poprawić odporność systemu w ekstremalnych warunkach środowiskowych, takich jak silne zakłócenia elektromagnetyczne, ekstremalne temperatury czy obecność pyłów i innych cząsteczek w przestrzeni. Połączenie tych technologii pozwoliłoby na jeszcze szersze zastosowanie omawianych rozwiązań, również w kontekście misji na powierzchni planet, gdzie warunki są znacznie bardziej zmienne i trudniejsze do przewidzenia.

W kontekście przyszłości rozwoju tej technologii, warto zauważyć, że wyniki dotyczące transferu uczenia maszynowego do wcześniej niewidocznych celów wskazują na możliwość opracowania bardziej uniwersalnych podejść do ekstrakcji cech. Opracowanie algorytmów zdolnych do przetwarzania obrazów i danych z nowych, nieznanych obiektów w przestrzeni kosmicznej stanowi ogromny potencjał do rozwijania bardziej ogólnych metod wykrywania obiektów, które będą miały zastosowanie nie tylko w przestrzeni kosmicznej, ale także w bardziej codziennych sytuacjach, takich jak obserwacja Ziemi czy misje na inne ciała niebieskie.

Dzięki takim podejściom, techniki opracowane w ramach tej pracy mają szerokie implikacje nie tylko dla zastosowań kosmicznych, ale również w innych dziedzinach związanych z autonomicznymi systemami operującymi w trudnych środowiskach. Metody dopasowywania wielomodalnego, lokalizacji cech subpikselowych oraz zarządzanie kluczowymi klatkami stanowią cenne wkłady w rozwój ogólnego obszaru szacowania pozycji wideo. Mogą one być zastosowane w innych dziedzinach, takich jak monitorowanie wideo w dynamicznych, zmiennych warunkach na Ziemi, gdzie podobne wyzwania związane z szybko poruszającymi się obiektami, zmieniającym się oświetleniem czy ograniczoną wiedzą o otoczeniu występują na co dzień.

Jakie są wyzwania i rozwiązania w adaptacji domen między-modalnej w systemach kosmicznych?

Rejestracja obrazów zdalnego rozpoznawania, obejmująca dane o różnych modalnościach, stanowi dobrze rozwinięty obszar badawczy, który przeszedł istotną ewolucję pod względem metodologii. W ciągu ostatnich kilku lat, osiągnięcia w zakresie rejestracji obrazów oraz adaptacji bez nadzoru stały się kluczowe, zwłaszcza w kontekście przetwarzania danych z platform kosmicznych. Należy zwrócić szczególną uwagę na wyzwania związane z rejestracją obrazów SAR i optycznych, które mają odmienną charakterystykę i wymagają specjalnych technik adaptacyjnych, szczególnie gdy pochodzą z różnych satelitów.

Rejestracja obrazów zdalnego rozpoznawania przyjmuje dwie główne formy: oparte na intensywności i oparte na cechach. Pierwsza metoda koncentruje się na maksymalizacji miar podobieństwa między parami obrazów, z krzyżową korelacją i wzajemną informacją jako popularnymi narzędziami. Z kolei metoda oparta na cechach polega na identyfikacji charakterystycznych punktów, linii lub obszarów w obrazach, które pozwalają na określenie parametrów transformacji. W kontekście zastosowań do obrazów satelitarnych, wykorzystanie algorytmu SIFT (skala-niezależna transformacja cech) okazało się szczególnie skuteczne, a jego różne warianty, jak SURF czy SAR-SIFT, pozwalają na lepsze dopasowanie obrazów SAR do obrazów optycznych.

W ostatnich latach techniki głębokiego uczenia, w tym sieci neuronowe, zrewolucjonizowały metody rejestracji opartych na cechach. Sieci konwolucyjne (CNN) wykazały znacznie lepsze wyniki w porównaniu do tradycyjnych, ręcznie zaprojektowanych cech. Architektury takie jak AlexNet, VGG16, czy VGG19 stały się potężnymi narzędziami do wydobywania cech, a nowe podejścia, jak sieci Siameskie, okazały się szczególnie użyteczne w przewidywaniu transformacji obrazów. Sieci te są w stanie skutecznie łączyć obrazy z różnych modalności, takie jak SAR i obrazy optyczne, co czyni je niezwykle pomocnymi w rejestracji między-modalnej.

Jednak wiele z tych podejść wymaga danych o etykietach, które są drogie i trudne do uzyskania, zwłaszcza w kontekście systemów kosmicznych, gdzie zbieranie etykietowanych danych w różnych modalnościach jest kosztowne i czasochłonne. W takim kontekście adaptacja domen bez nadzoru (UDA) staje się kluczowym rozwiązaniem. Daje ona możliwość przenoszenia wiedzy z jednej dziedziny (np. obrazy SAR) na inną (np. obrazy optyczne) bez potrzeby używania etykiet w drugiej dziedzinie. Techniki adaptacji domen w tym przypadku obejmują zarówno podejścia jednokrokowe, jak i wieloetapowe, z których każde ma swoje zastosowanie w zależności od różnic między źródłem a docelową domeną.

W kontekście adaptacji między-modalnej, podejścia oparte na przetwarzaniu cech przyciągają szczególną uwagę. Głębokie sieci neuronowe są zdolne do ekstrakcji reprezentacji, które mogą być przenoszone pomiędzy różnymi modalnościami, co czyni je szczególnie obiecującymi w zastosowaniach związanych z przetwarzaniem obrazów satelitarnych. Modele oparte na tzw. sieciach Siameskich zostały zaadoptowane do przewidywania transformacji pomiędzy obrazami SAR a optycznymi. Kluczową zaletą tych sieci jest ich zdolność do radzenia sobie z dużymi różnicami w wyglądzie obrazów oraz przetwarzaniem różnych cech geometrycznych w zależności od platformy satelitarnej.

Jednakże, wyzwania związane z adaptacją domen w danych lotniczych i satelitarnych pozostają, zwłaszcza w przypadku znacznych różnic w wyglądzie obrazów SAR i optycznych, a także zróżnicowaniu między różnymi platformami satelitarnymi. Tego rodzaju różnice wymagają specjalistycznych technik adaptacyjnych, które pozwalają na efektywne przenoszenie wiedzy pomimo występujących trudności.

Nowatorskie podejście, które łączy techniki głębokiego uczenia z zaawansowanymi mechanizmami adaptacji domen, może stanowić odpowiedź na wyzwania związane z rejestracją obrazów w kontekście różnorodnych platform satelitarnych. Zaproponowana metodologia opiera się na sieci Siameskiej, która umożliwia ekstrakcję cech z różnych modalności obrazów, jednocześnie radząc sobie z transformacjami geometrycznymi, które mogą występować między obrazami. Ponadto, wprowadzenie mechanizmu samo-uczenia opartego na wnioskowaniu przyczynowym pozwala na transfer wiedzy do docelowej domeny, co umożliwia efektywne przeprowadzenie procesu adaptacji bez potrzeby użycia etykietowanych danych w domenie docelowej.

Warto również zauważyć, że kluczowym elementem skutecznej adaptacji domen w zastosowaniach satelitarnych jest uwzględnienie różnych skal i różnic w rozdzielczości między obrazami. Techniki dopasowywania histogramów na różnych poziomach rozdzielczości pomagają zmniejszyć różnice w wyglądzie obrazów, co prowadzi do lepszego transferu wiedzy pomiędzy domenami i skuteczniejszej rejestracji obrazów.

Zatem, adaptacja domen w kontekście obrazów SAR i optycznych, szczególnie przy użyciu zaawansowanych metod głębokiego uczenia, staje się nie tylko bardziej precyzyjna, ale również bardziej dostępna dla szerokiego zakresu aplikacji kosmicznych, gdzie brak etykietowanych danych stanowił dotychczas poważną przeszkodę.

Jak głębokie uczenie umożliwia dokładną estymację wibracji platform w obrazowaniu satelitarnym?

Platformy obserwacyjne, takie jak satelity czy bezzałogowe statki powietrzne (UAV), są narażone na wibracje podczas rejestrowania obrazów, które mogą znacząco obniżyć jakość danych. Niewielkie drgania struktury platformy mogą prowadzić do powstawania rozmytych i zniekształconych obrazów, co utrudnia precyzyjne pomiary oraz zastosowania operacyjne. Jest to szczególnie problematyczne w kontekście obrazowania o wysokiej rozdzielczości, gdzie takie wibracje (zwane platform jitter) mogą mieć poważny wpływ na dokładność przestrzenną oraz jakość uzyskanych danych.

Drgania platform są nieuniknionym efektem ich ruchu, mogącym występować w różnych formach i o różnych amplitudach w zależności od rodzaju platformy i jej warunków operacyjnych. W przypadku satelitów takich jak Terra czy QuickBird, występują określone wzorce jittera, z częstotliwościami drgań około 1-1,5 Hz oraz amplitudami od kilku dziesiątych metra do kilku metrów. W przypadku UAV, ze względu na mniejszą wysokość operacyjną oraz wyższą rozdzielczość, amplituda jittera jest zazwyczaj większa, ale o mniejszych częstotliwościach.

Teoretycznie rzecz biorąc, zmiany orientacji platformy na różnych osiach (np. roll, pitch, yaw) prowadzą do różnych rodzajów deformacji obrazu. Ruchy roll i pitch generują przesunięcia translacyjne linii skanowania, podczas gdy ruchy yaw powodują efekty rotacyjne w obrębie płaszczyzny ogniskowej. W praktyce, badając amplitudy tych ruchów, okazuje się, że w przypadku większości systemów jitter w osi yaw jest mniejszy niż w pozostałych kierunkach, co pozwala uprościć analizę, pomijając tę składową w modelach symulacyjnych.

Zgodnie z teorią transformacji Fouriera, jitter platformy może zostać rozłożony na składniki sinusoidalne, które można opisać matematycznie jako funkcje o zmiennych amplitudach, częstotliwościach i fazach. W praktyce, przy użyciu tylko czterech funkcji sinusoidalnych, można uzyskać wystarczającą dokładność, aby odtworzyć rzeczywiste wzorce jittera typowe dla większości platform. Tego rodzaju model pozwala na symulację zniekształceń i tworzenie realistycznych danych treningowych, które mogą zostać użyte do testowania i oceny skuteczności metod kompensacji.

Innowacyjne podejście, jakie proponujemy, opiera się na głębokim uczeniu. Stworzyliśmy sieć neuronową (IJC-Net), która jest w stanie automatycznie analizować zniekształcone obrazy, wyodrębniając kluczowe cechy sceny i na tej podstawie oceniając parametry jittera platformy. W ramach tej sieci wykorzystywana jest specjalistyczna architektura konwolucyjnych sieci neuronowych (CNN), która skutecznie wydobywa cechy przestrzenne z fragmentów zdeformowanych obrazów. Następnie, za pomocą modelu interpolacji jittera, otrzymane wektory deformatywne są rozciągane do wymiarów obrazu wejściowego, tworząc mapę jittera. Na końcu, proces resamplingu umożliwia poprawę geometrii obrazu, przywracając go do formy bliskiej pierwotnej, a tym samym usuwając zniekształcenia wynikłe z ruchu platformy.

To podejście pozwala na pełną automatyzację procesu estymacji i kompensacji jittera bez potrzeby dodatkowych danych z czujników pomocniczych, co stanowi duży krok naprzód w obszarze zaawansowanego przetwarzania obrazów satelitarnych. Wykorzystanie głębokiego uczenia w tym kontekście nie tylko poprawia dokładność oszacowań, ale również przyspiesza proces przetwarzania, co ma kluczowe znaczenie w operacjach w czasie rzeczywistym, takich jak monitorowanie środowiska czy analiza zmian geograficznych.

Dodatkowo warto zauważyć, że wykorzystanie tej technologii wymaga odpowiednich danych treningowych. Modele oparte na głębokim uczeniu są skuteczne tylko wtedy, gdy zostały wytrenowane na wystarczająco zróżnicowanych i dokładnych zbiorach danych, które odzwierciedlają rzeczywiste warunki operacyjne. Z tego powodu, stworzenie realistycznych symulacji jittera oraz zbiorów danych referencyjnych, które mogą zostać użyte do treningu i walidacji tych modeli, jest niezbędne dla uzyskania wysokiej jakości wyników. Również, co istotne, skuteczne kompensowanie jittera może wymagać uwzględnienia zmiennych warunków atmosferycznych oraz lokalnych zakłóceń, które mogą wpływać na stabilność platformy.

Jak zoptymalizować estymację drgań platformy za pomocą głębokiego uczenia?

Zaprojektowana struktura naszej implementacji sieci neuronowej typu CNN jest szczegółowo przedstawiona na Rysunku 2.3. Architektura ta włącza szereg zaawansowanych elementów współczesnych badań w dziedzinie głębokiego uczenia, w tym dwa bloki konwolucyjne z krokiem 1/2 (ResBlocks), cztery bloki rezydualne oraz gęsty blok do integracji cech. Każdy blok ResBlock zawiera warstwę konwolucyjną, warstwę normalizacji partii i funkcję aktywacji ReLU. Tego typu architektura rezydualna daje znaczące korzyści dla naszego zastosowania – umożliwia bardziej efektywne uczenie się poprzez złagodzenie problemu znikających gradientów, jednocześnie zwiększając zdolności generalizacyjne modelu i jego ogólną odporność na błędy.

Kluczową innowacją w naszym podejściu jest wprowadzenie rozszerzonej funkcji aktywacji, którą nazywamy „rozszerzonym sigmoidem”. Standardowe funkcje aktywacji sigmoidalnej ograniczają wartości wyjściowe do zakresu [0,1], co staje się problematyczne w kontekście estymacji wektorów drgań, ponieważ amplitudy drgań w rzeczywistych warunkach często wykraczają poza te granice, obejmując również wartości ujemne. Nasz rozszerzony sigmoidalny mechanizm radzi sobie z tą trudnością, stosując odpowiednią transformację liniową:

$\text{Rozszerzony Sigmoid}(z) = \frac{1}{A + 1} \left( 1 + \exp\left( -z \right) \right)$

W tej formule, $z$ to wartość wejściowa, a $A$ pełni rolę czynnika rozszerzającego, który kontroluje zakres amplitudy wektora wyjściowego. Na podstawie szerokich eksperymentów z różnymi wartościami parametrów ustaliliśmy, że ustawienie $A = 8$ zapewnia optymalną wydajność w zadaniach kompensacji drgań na różnych platformach sensorowych i w różnych warunkach obrazowania.

Proces uczenia w naszej sieci jest ukierunkowany przez złożoną funkcję straty, która równocześnie dąży do dwóch komplementarnych celów – wierności treści obrazu i dokładności estymacji drgań:

Tutaj $\alpha$ jest hiperparametrem, który decyduje o względnym wkładzie każdej ze składowych straty w ogólny cel optymalizacji. Dzięki empirycznym badaniom, ustaliliśmy odpowiednie wartości tego parametru, które równoważą konkurencyjne wymagania jakości odbudowy obrazu i dokładności estymacji drgań. Składnik straty treści $L_2$ mierzy różnicę pomiędzy wygenerowanymi a docelowymi obrazami w skali błędu średniokwadratowego (MSE):

gdzie $W$ i $H$ oznaczają szerokość i wysokość przetwarzanych obrazów, a $I_G(x, y)$ i $I_T(x, y)$ odpowiadają wartościom pikseli w obrazach wygenerowanych i docelowych. Składnik straty drgań $L_{\text{jitter}}$ ocenia dokładność estymowanych wektorów drgań, mierząc ich odchylenie od wartości referencyjnych. Ponieważ mogą występować rozbieżności wymiarowe między wektorami drgań generowanymi przez CNN a danymi referencyjnymi, stosujemy interpolację sześcienną, aby zapewnić kompatybilność wymiarową do porównań. Strata drgań jest obliczana w następujący sposób:

gdzie $\hat{z}_h$ i $z_h$ to odpowiednio generowane i rzeczywiste wektory drgań w pozycji $h$.

Taka podwójna funkcja straty umożliwia naszej sieci jednoczesne optymalizowanie jakości wizualnej odbudowanych obrazów i dokładności estymacji parametrów drgań, co pozwala uzyskać zrównoważone podejście do wyzwań związanych z kompensowaniem drgań.

Innym podejściem do estymacji drgań platformy, które coraz częściej stosuje się w analizie obrazów zdalnego wykrywania, jest użycie Generatywnych Sieci Adwersarialnych (GAN). Metody te, które tradycyjnie wykorzystywały dane z czujników pomocniczych lub punkty kontrolne na ziemi, teraz dowodzą swojej skuteczności, gdy tylko dostępne są zdeformowane obrazy. W naszej koncepcji, problem estymacji drgań formułujemy następująco: mając zdeformowany obraz zdalnego wykrywania $I_D$, który jest wynikiem drgań platformy, naszym celem jest oszacowanie parametrów drgań i uzyskanie odbudowanego obrazu $I_R$, który będzie jak najbardziej zbliżony do oryginalnego, niezniekształconego obrazu.

Podstawowym celem GAN jest rozwiązanie problemu minimax:

Aby rozwiązać problemy niestabilności podczas uczenia się GAN, takich jak zjawisko znikających gradientów czy problem zbiorów danych, stosujemy ramy Wasserstein GAN (WGAN), które zastępują klasyczną dywergencję Jensena-Shannona odległością Earth Mover's Distance. Modyfikacja ta zapewnia stabilniejsze gradienty podczas uczenia, co jest kluczowe dla zachowania jakości w procesie treningu.

Nasza zaproponowana architektura RestoreGAN, specjalnie zaprojektowana do zadania estymacji drgań, składa się z trzech podstawowych komponentów: (1) sieci generatora $G_\theta$, która przetwarza zdeformowane obrazy wejściowe i generuje wektory drgań wzdłuż dwóch głównych osi; (2) sieci dyskryminatora $D_\theta$, która ocenia jakość odbudowanych obrazów przez porównanie ich z obrazami rzeczywistymi w trakcie procesu treningowego; oraz (3) modułu resamplingu obrazu, który stosuje oszacowane wektory drgań do reprojekcji zdeformowanego obrazu i uzyskania ostatecznego obrazu odbudowanego.

Kluczowym elementem architektury generatora są odpowiednio zaprojektowane bloki konwolucyjne, które wykorzystują duże jądra, aby uchwycić cechy wysokiej rozdzielczości, a także bloki rezydualne oraz funkcje aktywacji rozszerzonego sigmoida, które umożliwiają przewidywanie wartości drgań wykraczających poza tradycyjny zakres [0,1]. Funkcja aktywacji rozszerzonego sigmoida w tym przypadku wygląda następująco:

Gdzie $A$ kontroluje zakres wyjściowy.

Aby zwiększyć stabilność treningu, stosujemy podejście dopasowania cech dla straty adwersarialnej, skupiając się na reprezentacjach warstw pośrednich, zamiast na surowych wynikach dyskryminatora.

Wszystkie te rozwiązania mają na celu zapewnienie lepszej jakości estymacji drgań oraz odbudowy obrazów, co stanowi fundamentalny element procesu kompensacji drgań w obrazach zdalnego wykrywania.