論文の概要: Digital rock reconstruction with user-defined properties using
conditional generative adversarial networks
- arxiv url: http://arxiv.org/abs/2012.07719v2
- Date: Tue, 1 Jun 2021 06:32:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 09:09:07.363598
- Title: Digital rock reconstruction with user-defined properties using
conditional generative adversarial networks
- Title（参考訳）: 条件付き生成逆ネットワークを用いたユーザ定義特性を用いたディジタルロック再構成
- Authors: Qiang Zheng and Dongxiao Zhang
- Abstract要約: 優れた視覚的および地質学的リアリズムを持つ訓練画像の再生が可能なGAN(generative adversarial Network)が人気を博している。
本研究では,実際のトレーニングデータに類似したサンプルを再現するだけでなく,ユーザ固有の特性を満たすことを目的とした,ディジタルロック再構築のための条件付きGANを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty is ubiquitous with flow in subsurface rocks because of their
inherent heterogeneity and lack of in-situ measurements. To complete
uncertainty analysis in a multi-scale manner, it is a prerequisite to provide
sufficient rock samples. Even though the advent of digital rock technology
offers opportunities to reproduce rocks, it still cannot be utilized to provide
massive samples due to its high cost, thus leading to the development of
diversified mathematical methods. Among them, two-point statistics (TPS) and
multi-point statistics (MPS) are commonly utilized, which feature incorporating
low-order and high-order statistical information, respectively. Recently,
generative adversarial networks (GANs) are becoming increasingly popular since
they can reproduce training images with excellent visual and consequent
geologic realism. However, standard GANs can only incorporate information from
data, while leaving no interface for user-defined properties, and thus may
limit the representativeness of reconstructed samples. In this study, we
propose conditional GANs for digital rock reconstruction, aiming to reproduce
samples not only similar to the real training data, but also satisfying
user-specified properties. In fact, the proposed framework can realize the
targets of MPS and TPS simultaneously by incorporating high-order information
directly from rock images with the GANs scheme, while preserving low-order
counterparts through conditioning. We conduct three reconstruction experiments,
and the results demonstrate that rock type, rock porosity, and correlation
length can be successfully conditioned to affect the reconstructed rock images.
Furthermore, in contrast to existing GANs, the proposed conditioning enables
learning of multiple rock types simultaneously, and thus invisibly saves
computational cost.
- Abstract（参考訳）: 不確実性は、その固有の不均一性やその場測定の欠如により、地下岩の流動に至らない。
マルチスケールで不確実性解析を完了させるには,十分な岩石試料の提供が必須である。
デジタルロック技術の出現は、岩を再現する機会を提供するが、高いコストのために大量のサンプルを供給できないため、多様化された数学的手法の開発につながっている。
このうち2点統計(TPS)と多点統計(MPS)が一般的に利用されており、それぞれ低次統計情報と高次統計情報を取り入れている。
近年,優れた視覚的・地質学的リアリズムを持つ訓練画像の再生が可能なGAN(Generative Adversarial Network)が普及している。
しかし、標準のGANはデータからの情報のみを組み込むことができるが、ユーザ定義プロパティのインターフェースは残っていないため、再構成されたサンプルの表現性を制限できる。
本研究では,実際のトレーニングデータに類似したサンプルを再現することを目的とした,デジタル岩盤復元のための条件付きganを提案する。
実際,提案フレームワークは,岩盤画像からの高次情報を直接GANスキームに組み込むことで,MPSとTPSの目標を同時に実現し,低次情報を条件付きで保存することができる。
本研究では, 3つの復元実験を行い, 岩石の種類, 岩石のポロシティ, 相関長が再現された岩石画像に影響を及ぼすことを示す。
さらに,既存のGANとは対照的に,複数種類の岩の同時学習が可能であり,計算コストを不可視的に削減することができる。
関連論文リスト
- Universality of Real Minimal Complexity Reservoir [0.358439716487063]
貯留層計算(Reservoir Computing, RC)モデルは、その固定された非トレーニング可能な入力層と動的に結合された貯留層によって区別される。
Simple Cycle Reservoirs (SCR) は、制約の高い貯水池構造を持つRCモデルの特殊なクラスである。
実領域で動作するSCRは、減少するメモリを持つ時間不変の動的フィルタの普遍的な近似器である。
論文 参考訳（メタデータ） (2024-08-15T10:44:33Z) - Rethinking the Up-Sampling Operations in CNN-based Generative Network
for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。
tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。
この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文 参考訳（メタデータ） (2023-12-16T14:27:06Z) - Accurate generation of stochastic dynamics based on multi-model
Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。
ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。
重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
論文 参考訳（メタデータ） (2023-05-25T10:41:02Z) - Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。
暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文 参考訳（メタデータ） (2021-10-22T10:02:48Z) - RockGPT: Reconstructing three-dimensional digital rocks from single
two-dimensional slice from the perspective of video generation [0.0]
我々は、ビデオ生成の観点から、単一の2Dスライスに基づいて3Dサンプルを合成する、RockGPTという新しいフレームワークを提案する。
多様な再構成を得るために、離散潜在符号は条件付きGPTを用いてモデル化される。
我々は5種類の岩石について2つの実験を行い、その結果、RockGPTが同じモデルで異なる種類の岩石を生産できることを実証した。
論文 参考訳（メタデータ） (2021-08-05T00:12:43Z) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-04-19T12:26:26Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳（メタデータ） (2021-03-04T12:45:23Z) - Lessons Learned from the Training of GANs on Artificial Datasets [0.0]
GAN(Generative Adversarial Networks)は,近年,現実的な画像の合成において大きな進歩を遂げている。
GANは不適合や過度に適合する傾向があり、分析が困難で制約を受ける。
無限に多くのサンプルがあり、実際のデータ分布は単純である人工データセットでトレーニングする。
GANのトレーニング混合物はネットワークの深さや幅を増大させるよりもパフォーマンスが向上することがわかった。
論文 参考訳（メタデータ） (2020-07-13T14:51:02Z) - Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。
この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。
生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文 参考訳（メタデータ） (2020-03-02T17:49:32Z) - On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。
このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。
我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。
限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
論文 参考訳（メタデータ） (2020-02-26T21:53:36Z) - When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である
本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。
ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-02-24T11:35:28Z)
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。