Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A satellite looks down at a city under a grey lid of cloud, and the ground underneath is simply gone. That is the everyday problem the KAIST team set out to solve. Optical images record sunlight bouncing off the Earth's surface, so thick cloud or darkness erases what is below. Radar could see through both, but its pictures, built from radio waves bounced back from the ground, differ so much in brightness and pattern from ordinary photographs that they are hard to read.
Un satellite survole une ville sous un couvercle gris de nuages, et le sol en dessous a tout simplement disparu. C'est le problème courant que l'équipe du KAIST a voulu résoudre. Les images optiques enregistrent la lumière solaire réfléchie par la surface terrestre : un épais couvert nuageux ou l'obscurité efface donc ce qui se trouve dessous. Le radar pourrait traverser ces obstacles, mais ses images, construites à partir d'ondes radio renvoyées par le sol, diffèrent tellement des photographies ordinaires en luminosité et en motifs qu'elles sont difficiles à lire.
The research team, led by professor Munchurl Kim of the School of Electrical Engineering at KAIST, built GeoCore-9B to handle both problems with one model. Its core image-generating component adjusts about 9 billion parameters, the internal values it tunes during training. The model is pretrained on a large volume of satellite data and then adapted to specific jobs, which is why it is classed as a "foundation model", a base on which many applications can be built. Rather than borrowing a component designed to produce everyday photos, the team trained a new model from scratch on overhead views of terrain, forests, ports and cities.
L'équipe de recherche, dirigée par le professeur Munchurl Kim, de l'École de génie électrique du KAIST, a conçu GeoCore-9B pour traiter ces deux problèmes avec un seul modèle. Son composant central de génération d'images ajuste environ 9 milliards de paramètres, c'est-à-dire les valeurs internes qu'il règle pendant l'entraînement. Le modèle est préentraîné sur un grand volume de données satellitaires, puis adapté à des tâches précises, ce qui explique qu'il soit classé comme « modèle de fondation », une base sur laquelle de nombreuses applications peuvent être construites. Plutôt que d'emprunter un composant conçu pour produire des photos ordinaires, l'équipe a entraîné un nouveau modèle à partir de zéro, sur des vues aériennes de terrains, de forêts, de ports et de villes.
The training data is the unusual part. The team used 10 million pairs of satellite images and written descriptions, such as a port with ships and warehouses, or a rural scene with a road running between fields. They also fed the model latitude, longitude and ground sample distance, the size of ground covered by one pixel. The researchers note that a shape alone does not tell you whether it is a small building or a large plant, so the model must know where and at what scale an image was taken. In one example, a 256-pixel-wide image covers about 256 meters at 1 meter per pixel, and about 8.2 kilometers at 32 meters per pixel. A further technique, called Geospatial Semantic Alignment, uses features from an AI specialised in satellite imagery during training to help the model learn how roads connect and where farm boundaries lie; that helper is not used when images are generated.
Les données d'entraînement ont quelque chose d'inhabituel. L'équipe a utilisé 10 millions de paires d'images satellite et de descriptions écrites, par exemple un port avec des navires et des entrepôts, ou une scène rurale avec une route qui serpente entre les champs. Elle a également fourni au modèle la latitude, la longitude et la distance d'échantillonnage au sol, c'est-à-dire la taille du terrain couvert par un pixel. Les chercheurs soulignent qu'une forme ne suffit pas à dire s'il s'agit d'un petit bâtiment ou d'une grande usine : le modèle doit donc savoir où et à quelle échelle une image a été prise. Dans un exemple, une image de 256 pixels de large couvre environ 256 mètres à raison de 1 mètre par pixel, et environ 8,2 kilomètres à raison de 32 mètres par pixel. Une autre technique, appelée alignement sémantique géospatial, utilise pendant l'entraînement les caractéristiques d'une IA spécialisée dans l'imagerie satellite, afin d'aider le modèle à apprendre comment les routes se relient et où se situent les limites des exploitations agricoles ; cette aide n'intervient pas lors de la génération des images.
The model was then fine-tuned separately for two tasks: removing clouds and converting radar images into photo-like views. The preprint, posted to arXiv, presents these as the model's capabilities. The figures available for this article do not include quantitative benchmarks for either task, and the work has not been published in a peer-reviewed journal. Its illustrations are conceptual and do not show a live satellite network.
Le modèle a ensuite été affiné séparément pour deux tâches : supprimer les nuages et convertir des images radar en vues proches de photographies. Le préprint, publié sur arXiv, présente ces capacités comme celles du modèle. Les données disponibles pour cet article ne comprennent pas de mesures quantitatives comparatives pour l'une ou l'autre tâche, et les travaux n'ont pas été publiés dans une revue à comité de lecture. Leurs illustrations sont conceptuelles et ne montrent pas un réseau satellitaire en service.
What changes if this holds up? For disaster teams, a cloud-free view of a flooded valley or a burning forest is worth a great deal, and a radar image that looks like a photograph can be read by people who are not radar specialists. The authors expect wider use of satellite data in disaster response and environmental monitoring. No date, partner or product has been announced: for now, the gain is a research direction, and it will need independent testing on real satellite data before anyone can rely on it.
Que changerait la validation de ces résultats ? Pour les équipes chargées des catastrophes, une vue sans nuages d'une vallée inondée ou d'une forêt en feu a une grande valeur, et une image radar qui ressemble à une photographie peut être lue par des personnes qui ne sont pas spécialistes du radar. Les auteurs anticipent un usage plus large des données satellitaires dans la gestion des catastrophes et la surveillance environnementale. Aucune date, aucun partenaire ni aucun produit n'a été annoncé : pour l'instant, le gain est une piste de recherche, qui devra être testée de manière indépendante sur de vraies données satellitaires avant que quiconque puisse s'y fier.