論文の概要: ScalarFlow: A Large-Scale Volumetric Data Set of Real-world Scalar
Transport Flows for Computer Animation and Machine Learning
- arxiv url: http://arxiv.org/abs/2011.10284v1
- Date: Fri, 20 Nov 2020 08:55:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 05:50:13.296896
- Title: ScalarFlow: A Large-Scale Volumetric Data Set of Real-world Scalar
Transport Flows for Computer Animation and Machine Learning
- Title(参考訳): ScalarFlow: コンピュータアニメーションと機械学習のための実世界のScalarトランスポートフローの大規模ボリュームデータセット
- Authors: Marie-Lena Eckert, Kiwon Um, Nils Thuerey
- Abstract要約: 実世界の煙煙を再現した最初の大規模データセットであるScalarFlowを提示する。
また,少数のビデオストリームから物理に基づく正確な再構成を行うためのフレームワークを提案する。
- 参考スコア(独自算出の注目度): 28.708725228832577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present ScalarFlow, a first large-scale data set of
reconstructions of real-world smoke plumes. We additionally propose a framework
for accurate physics-based reconstructions from a small number of video
streams. Central components of our algorithm are a novel estimation of unseen
inflow regions and an efficient regularization scheme. Our data set includes a
large number of complex and natural buoyancy-driven flows. The flows transition
to turbulent flows and contain observable scalar transport processes. As such,
the ScalarFlow data set is tailored towards computer graphics, vision, and
learning applications. The published data set will contain volumetric
reconstructions of velocity and density, input image sequences, together with
calibration data, code, and instructions how to recreate the commodity hardware
capture setup. We further demonstrate one of the many potential application
areas: a first perceptual evaluation study, which reveals that the complexity
of the captured flows requires a huge simulation resolution for regular solvers
in order to recreate at least parts of the natural complexity contained in the
captured data.
- Abstract(参考訳): 本稿では,実世界の煙管を復元した最初の大規模データセットであるscalarflowを提案する。
また,少数のビデオストリームから物理に基づく正確な再構成を行うためのフレームワークを提案する。
本アルゴリズムの中心的なコンポーネントは,未知の流入領域の新しい推定と効率的な正則化スキームである。
私たちのデータセットには、複雑で自然な浮力駆動フローが多数含まれています。
流れは乱流に遷移し、観測可能なスカラー輸送過程を含む。
そのため、ScalarFlowデータセットは、コンピュータグラフィックス、ビジョン、学習アプリケーション向けに調整されている。
公開されたデータセットには、速度と密度のボリュームリコンストラクション、入力画像シーケンス、キャリブレーションデータ、コード、コモディティなハードウェアキャプチャ設定の再現方法の指示が含まれている。
これは、キャプチャされたデータに含まれる自然な複雑さの少なくとも一部を再現するために、キャプチャされたフローの複雑さが正規のソルバにとって大きなシミュレーション解決を必要とすることを示す最初の知覚的評価研究である。
関連論文リスト
- RecFlow: An Industrial Full Flow Recommendation Dataset [66.06445386541122]
産業レコメンデーションシステムは、商品をユーザに届ける際の効率性と効率のバランスをとるために、多段階パイプラインに依存している。
オフラインRSベンチマークと実際のオンライン環境とのギャップを埋めるために設計された産業用フルフローレコメンデーションデータセットであるRecFlowを紹介します。
我々のデータセットは、約9万項目にわたる42Kユーザからの38万のインタラクションで構成され、37日間にわたる9.3Mオンラインリクエストから収集された1.9Bステージサンプルと6ステージにまたがる。
論文 参考訳(メタデータ) (2024-10-28T09:36:03Z) - ScaleFlow++: Robust and Accurate Estimation of 3D Motion from Video [26.01796507893086]
本稿では,3次元モーション認識手法であるScaleFlow++を提案する。
たった1対のRGBイメージで、ScaleFlow++は光学フローとモーションインディープス(MID)をしっかりと推定できる。
KITTIでは、ScaleFlow++は、SF-allを6.21から5.79に削減し、最高のモノクロシーンフロー推定性能を達成した。
論文 参考訳(メタデータ) (2024-09-16T11:59:27Z) - ScaleFlow++: Robust and Accurate Estimation of 3D Motion from Video [15.629496237910999]
本稿では,3次元モーション認識手法であるScaleFlow++を提案する。
たった1対のRGBイメージで、ScaleFlow++は光学フローとモーションインディープス(MID)をしっかりと推定できる。
KITTIでは、ScaleFlow++は、SF-allを6.21から5.79に削減し、最高のモノクロシーンフロー推定性能を達成した。
論文 参考訳(メタデータ) (2024-07-13T07:58:48Z) - BlinkFlow: A Dataset to Push the Limits of Event-based Optical Flow Estimation [76.66876888943385]
イベントカメラは、高時間精度、低データレート、高ダイナミックレンジ視覚知覚を提供する。
イベントベース光フローのための大規模データを高速に生成するための新しいシミュレータBlinkSimを提案する。
論文 参考訳(メタデータ) (2023-03-14T09:03:54Z) - Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh
Transformers [23.589419066824306]
流体力学を推定することは、解決するのが非常に難しい。
問題に対する新しいモデル,メソッド,ベンチマークを導入する。
我々の変換器は、既存の合成データセットと実際のデータセットの両方において、最先端のパフォーマンスより優れていることを示す。
論文 参考訳(メタデータ) (2023-02-16T12:59:08Z) - RealFlow: EM-based Realistic Optical Flow Dataset Generation from Videos [28.995525297929348]
RealFlowは、ラベルのないリアルなビデオから直接、大規模な光フローデータセットを作成することができるフレームワークである。
まず,一対のビデオフレーム間の光フローを推定し,予測されたフローに基づいて,このペアから新たな画像を生成する。
本手法は,教師付きおよび教師なしの光流法と比較して,2つの標準ベンチマークにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2022-07-22T13:33:03Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳(メタデータ) (2021-11-26T18:59:56Z) - Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。
実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文 参考訳(メタデータ) (2021-04-05T21:44:00Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - DeFlow: Learning Complex Image Degradations from Unpaired Data with
Conditional Flows [145.83812019515818]
本論文では,不対データから画像劣化を学習するDeFlowを提案する。
共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。
共同画像復元と超解像におけるDeFlowの定式化を検証した。
論文 参考訳(メタデータ) (2021-01-14T18:58:01Z) - Reconstruction of turbulent data with deep generative models for
semantic inpainting from TURB-Rot database [0.0]
本稿では,コンピュータビジョンコミュニティが開発するツールを用いて,流体乱流構成のデータ再構成を行う特徴学習と意味画像のインペインティングについて検討する。
深部生成逆数モデル (Deep-GAN) に埋め込まれた畳み込みニューラルネットワークの乱流中に欠落するデータを生成する能力について検討する。
論文 参考訳(メタデータ) (2020-06-16T14:26:07Z)
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。