Fugu-MT 論文翻訳(概要): Diffeomorphic Particle Image Velocimetry

論文の概要: Diffeomorphic Particle Image Velocimetry

arxiv url: http://arxiv.org/abs/2108.07438v1
Date: Tue, 17 Aug 2021 04:26:09 GMT
ステータス: 処理完了
システム内更新日: 2021-08-18 13:10:25.897192
Title: Diffeomorphic Particle Image Velocimetry
Title（参考訳）: Diffomorphic Particle Image Velocimetry
Authors: Yong Lee and Shuang Mei
Abstract要約: 既存の粒子画像速度計(PIV)は、非直線粒子軌道の曲率効果を考慮していない。本研究では,2つの記録間の粒子曲線軌跡を,1つのベクトルではなく定常流の流路セグメントで説明する。 3つの実PIV画像対の結果は、CDIに基づくPIVの非無視曲率効果を示し、FDDIは高速な曲線流路領域での速度推定(より正確に)を行う。
参考スコア（独自算出の注目度）: 0.571097144710995
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The existing particle image velocimetry (PIV) do not consider the curvature effect of the non-straight particle trajectory, because it seems to be impossible to obtain the curvature information from a pair of particle images. As a result, the computed vector underestimates the real velocity due to the straight-line approximation, that further causes a systematic error for the PIV instrument. In this work, the particle curved trajectory between two recordings is firstly explained with the streamline segment of a steady flow (diffeomorphic transformation) instead of a single vector, and this idea is termed as diffeomorphic PIV. Specifically, a deformation field is introduced to describe the particle displacement, i.e., we try to find the optimal velocity field, of which the corresponding deformation vector field agrees with the particle displacement. Because the variation of the deformation function can be approximated with the variation of the velocity function, the diffeomorphic PIV can be implemented as iterative PIV. That says, the diffeomorphic PIV warps the images with deformation vector field instead of the velocity, and keeps the rest as same as iterative PIVs. Two diffeomorphic deformation schemes -- forward diffeomorphic deformation interrogation (FDDI) and central diffeomorphic deformation interrogation (CDDI) -- are proposed. Tested on synthetic images, the FDDI achieves significant accuracy improvement across different one-pass displacement estimators (cross-correlation, optical flow, deep learning flow). Besides, the results on three real PIV image pairs demonstrate the non-negligible curvature effect for CDI-based PIV, and our FDDI provides larger velocity estimation (more accurate) in the fast curvy streamline areas. The accuracy improvement of the combination of FDDI and accurate dense estimator means that our diffeomorphic PIV paves a new way for complex flow measurement.
Abstract（参考訳）: 既存の粒子画像速度計(PIV)は、一対の粒子画像から曲率情報を得ることができないため、非直線粒子軌道の曲率効果を考慮していない。その結果、計算ベクトルは直線近似による実速度を過小評価し、さらにPIV機器の系統的な誤差を引き起こす。この研究では、2つの記録の間の粒子曲線軌跡を1つのベクトルではなく定常流(微分同相変換)の流線セグメントでまず説明し、この考えを微分同相PIVと呼ぶ。具体的には、粒子の変位を記述するために変形場を導入し、すなわち、対応する変形ベクトル場が粒子の変位と一致する最適速度場を見つけ出そうとする。変形関数の変動は速度関数の変動と近似できるので、微分型PIVを反復型PIVとして実装することができる。つまり、微分同相PIVは速度ではなく変形ベクトル場で画像をワープし、残りの部分は反復PIVと同じ状態を保つ。 FDDI(Forward diffomorphic deformation interrogation)とCDDI(Central diffomorphic deformation interrogation)という2つの微分変形スキームを提案する。 FDDIは、合成画像に基づいて、異なるワンパス変位推定器(相互相関、光流、深層学習流)間で大幅に精度を向上する。さらに、3つの実PIV画像対の結果は、CDIベースのPIVに対する非無視的曲率効果を示し、FDDIは高速な曲率流路領域での速度推定(より正確に)を行う。 FDDIと精度の高い密度推定器の組み合わせによる精度向上は、我々の微分型PIVが複雑な流れの測定に新しい方法をもたらすことを意味する。

関連論文リスト

Motion2VecSets: 4D Latent Vector Set Diffusion for Non-rigid Shape Reconstruction and Tracking [52.393359791978035]
Motion2VecSetsは点雲列からの動的表面再構成のための4次元拡散モデルである。グローバルな潜在符号の代わりに、潜在集合で4Dダイナミクスをパラメータ化する。時間的コヒーレントな物体追跡のために、変形潜在集合を同期的に認知し、複数のフレーム間で情報を交換する。
論文参考訳（メタデータ） (2024-01-12T15:05:08Z)
DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文参考訳（メタデータ） (2023-12-05T18:59:41Z)
NeurEPDiff: Neural Operators to Predict Geodesics in Deformation Spaces [4.721069729610892]
NeurEPDiffは、オイラー・ポアンカー微分方程式(EPDiff)によって生成された変形空間の測地線を高速に予測する新しいネットワークである。 2次元合成データと3次元脳共鳴画像(MRI)の2つの画像データセットの登録におけるNeurEPDiffの有効性を実証する。
論文参考訳（メタデータ） (2023-03-13T13:47:57Z)
VI-DGP: A variational inference method with deep generative prior for solving high-dimensional inverse problems [0.7734726150561089]
本研究では,高次元後方分布を推定するための新しい近似法を提案する。このアプローチは、深層生成モデルを利用して、空間的に変化するパラメータを生成することができる事前モデルを学ぶ。提案手法は自動微分方式で完全に実装できる。
論文参考訳（メタデータ） (2023-02-22T06:48:10Z)
Unsupervised diffeomorphic cardiac image registration using parameterization of the deformation field [6.343400988017304]
本研究では,移動メッシュパラメータ化に基づくエンドツーエンドの非教師付き微分同相変形型登録フレームワークを提案する。提案手法の有効性を,2次元および3次元心臓MRIスキャンを含む3つの異なるデータセット上で評価することにより検討した。
論文参考訳（メタデータ） (2022-08-28T19:34:10Z)
Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
論文参考訳（メタデータ） (2022-06-07T15:03:05Z)
Self-Consistency of the Fokker-Planck Equation [117.17004717792344]
フォッカー・プランク方程式は、伊藤過程の密度進化を支配している。地絡速度場は固定点方程式の解であることを示すことができる。本稿では,この概念を利用して仮説速度場のポテンシャル関数を設計する。
論文参考訳（メタデータ） (2022-06-02T03:44:23Z)
A robust single-pixel particle image velocimetry based on fully convolutional networks with cross-correlation embedded [3.3579727024861064]
深層学習法と従来の相互相関法を相乗的に組み合わせた新しい速度場推定パラダイムを提案する。深層学習法は、粗い速度推定を最適化し、補正し、超解法計算を実現する。参考として、粗い速度推定は提案アルゴリズムの堅牢性を向上させるのに役立つ。
論文参考訳（メタデータ） (2021-10-31T03:26:08Z)
Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
論文参考訳（メタデータ） (2021-09-26T19:56:45Z)
Neural Particle Image Velocimetry [4.416484585765027]
本稿では,この問題に適応した畳み込みニューラルネットワーク,すなわちボリューム対応ネットワーク(VCN)を紹介する。ネットワークは、合成データと実フローデータの両方を含むデータセット上で、徹底的にトレーニングされ、テストされる。解析の結果,提案手法は現場における他の最先端手法と同等の精度を保ちながら,効率の向上を図っている。
論文参考訳（メタデータ） (2021-01-28T12:03:39Z)
Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。