論文の概要: Physics-Informed Neural Network Super Resolution for Advection-Diffusion Models

• arxiv url: http://arxiv.org/abs/2011.02519v2
• Date: Sat, 12 Dec 2020 05:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-29 22:58:22.496819
• Title: Physics-Informed Neural Network Super Resolution for Advection-Diffusion Models
• Title（参考訳）: アドベクション・ディフフュージョンモデルのための物理不定形ニューラルネットワーク超解像
• Authors: Chulin Wang, Eloisa Bentivegna, Wang Zhou, Levente Klein, Bruce Elmegreen
• Abstract要約: 大気汚染プラムの対流拡散モデルにおいて,低分解能画像から高分解能画像を再構成するために超解像(SR)技術を検討した。 アドベクション拡散方程式が従来のピクセルベースの制約に加えてNNを制約すると、一般にSR性能が向上する。 11%$のS/Nの改善は、物理方程式が40%$ピクセル損失を持つSRに含まれるときに示される。
• 参考スコア（独自算出の注目度）: 1.3754490646232045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (NN) are an emerging technique to improve spatial resolution and enforce physical consistency of data from physics models or satellite observations. A super-resolution (SR) technique is explored to reconstruct high-resolution images ($4\times$) from lower resolution images in an advection-diffusion model of atmospheric pollution plumes. SR performance is generally increased when the advection-diffusion equation constrains the NN in addition to conventional pixel-based constraints. The ability of SR techniques to also reconstruct missing data is investigated by randomly removing image pixels from the simulations and allowing the system to learn the content of missing data. Improvements in S/N of $11\%$ are demonstrated when physics equations are included in SR with $40\%$ pixel loss. Physics-informed NNs accurately reconstruct corrupted images and generate better results compared to the standard SR approaches.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(NN)は、空間分解能を改善し、物理モデルや衛星観測からのデータの物理的一貫性を強制する新しい技術である。 大気汚染プラムの対流拡散モデルにおいて,低分解能画像から高分解能画像(4\times$)を再構成するために,超解像(SR)技術を検討した。 アドベクション拡散方程式が従来のピクセルベースの制約に加えてNNを制約すると、一般にSR性能が向上する。 シミュレーションから画像画素をランダムに除去し, 行方不明データの内容を学習可能にすることにより, SR手法による欠落データ再構築の可能性を検討する。 S/Nの111\%$の改善は、物理方程式が40\%$ピクセル損失を持つSRに含まれるときに示される。 物理インフォームドNNは、劣化した画像を正確に再構成し、標準のSRアプローチよりも優れた結果を生成する。

関連論文リスト

• Graph-CNNs for RF Imaging: Learning the Electric Field Integral Equations [20.07924835384647]
  本稿では、対応する逆モデルを学ぶために、ディープニューラルネットワーク(DNN)アーキテクチャを提案する。 グラフアテンションバックボーンは、システムのジオメトリをDNNに渡すことができ、残余の畳み込み層がオブジェクトの特徴を抽出する。 異なる特徴を持つ2つの合成データセットに対する評価は、提案した高度なアーキテクチャの性能向上を示す。
  論文  参考訳（メタデータ） (2025-03-18T17:16:40Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Blind Super-Resolution for Remote Sensing Images via Conditional Stochastic Normalizing Flows [14.882417028542855]
  本稿では、上記の問題に対処するために、正規化フロー(BlindSRSNF)に基づく新しいブラインドSRフレームワークを提案する。 BlindSRSNFは、低解像度(LR)画像が与えられた高解像度画像空間上の条件確率分布を、確率の変動境界を明示的に最適化することによって学習する。 提案アルゴリズムは,シミュレーションLRと実世界RSIの両方において,視覚的品質の優れたSR結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-14T12:37:32Z)
• Frequency-Aware Physics-Inspired Degradation Model for Real-World Image Super-Resolution [18.328806055594576]
  両光およびセンサ劣化を考慮した実世界の物理インスパイアされた劣化モデルについて定式化する。 我々は、畳み込みニューラルネットワーク(CNN)を用いて、現実世界の劣化過程の遮断周波数を学習することを提案する。 異なる撮像システムで撮像した実世界の画像に対して,提案した劣化モデルの有効性と一般化能力を評価する。
  論文  参考訳（メタデータ） (2021-11-05T07:30:00Z)
• Strict Enforcement of Conservation Laws and Invertibility in CNN-Based Super Resolution for Scientific Datasets [0.0]
  深部畳み込みニューラルネットワーク(CNN)は画像超解像(SR)に革命をもたらした 衛星リモートセンシング、レーダー気象学、医療画像、数値モデリングなど、画像やグリッド化されたデータセットを含む多くの科学分野の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2020-11-11T06:18:54Z)
• Real Image Super Resolution Via Heterogeneous Model Ensemble using GP-NAS [63.48801313087118]
  本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。 提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
  論文  参考訳（メタデータ） (2020-09-02T22:33:23Z)
• Lightweight image super-resolution with enhanced CNN [82.36883027158308]
  強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した 情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
  論文  参考訳（メタデータ） (2020-07-08T18:03:40Z)
• SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
  超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。 出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。 我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
  論文  参考訳（メタデータ） (2020-06-25T06:34:04Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)
• Turbulence Enrichment using Physics-informed Generative Adversarial Networks [0.0]
  我々は乱流生成法を開発した。 損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。 物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-04T06:14:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。