Fugu-MT 論文翻訳(概要): Solving Image PDEs with a Shallow Network

論文の概要: Solving Image PDEs with a Shallow Network

arxiv url: http://arxiv.org/abs/2110.08327v1
Date: Fri, 15 Oct 2021 19:25:30 GMT
ステータス: 処理完了
システム内更新日: 2021-10-22 01:43:43.743540
Title: Solving Image PDEs with a Shallow Network
Title（参考訳）: 浅層ネットワークを用いた画像PDEの解法
Authors: Pascal Tom Getreuer, Peyman Milanfar, Xiyang Luo
Abstract要約: この作業は、PDE解決に浅い学習可能なフィルタリングフレームワークBLADEを適用する。結果として得られたアプローチは効率的で正確であり、古典的手法よりも粗いグリッド解像度でより確実に動作することを示す。
参考スコア（独自算出の注目度）: 16.242924916178286
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Partial differential equations (PDEs) are typically used as models of physical processes but are also of great interest in PDE-based image processing. However, when it comes to their use in imaging, conventional numerical methods for solving PDEs tend to require very fine grid resolution for stability, and as a result have impractically high computational cost. This work applies BLADE (Best Linear Adaptive Enhancement), a shallow learnable filtering framework, to PDE solving, and shows that the resulting approach is efficient and accurate, operating more reliably at coarse grid resolutions than classical methods. As such, the model can be flexibly used for a wide variety of problems in imaging.
Abstract（参考訳）: 偏微分方程式(PDE)は一般に物理過程のモデルとして用いられるが、PDEに基づく画像処理にも非常に関心がある。しかしながら、画像に使用する場合、従来のPDEの数値解法は、安定性のために非常に微細なグリッド解像度を必要とする傾向があり、結果として計算コストが極端に高い。本研究は,浅層学習型フィルタリングフレームワークであるblade(best linear adaptive enhancement)をpde解に適用し,従来の手法よりも粗いグリッド解像度で動作し,効率的かつ精度の高い手法であることを示す。そのため、このモデルは画像の様々な問題に対して柔軟に使用できる。

関連論文リスト

Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。 Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
論文参考訳（メタデータ） (2024-05-27T15:34:35Z)
Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文参考訳（メタデータ） (2023-11-30T22:34:57Z)
A Neural RDE-based model for solving path-dependent PDEs [5.6293920097580665]
経路依存偏微分方程式(PPDE)の概念は、金融市場における経路依存偏微分の文脈で最初に導入された。古典的な PDE と比較して、PPDE の解は無限次元空間変数を含む。本稿では,PPDEを学習するための大まかなニューラル微分方程式(NRDE)に基づくモデルを提案する。
論文参考訳（メタデータ） (2023-06-01T20:19:41Z)
Meta-PDE: Learning to Solve PDEs Quickly Without a Mesh [24.572840023107574]
偏微分方程式(PDE)は、しばしば計算的に解くのが難しい。本稿では,関連するPDEの分布から,問題の迅速な解法を学習するメタラーニング手法を提案する。
論文参考訳（メタデータ） (2022-11-03T06:17:52Z)
Face Super-Resolution Using Stochastic Differential Equations [1.724088622269304]
連続時間への拡散モデルを一般化するために微分方程式(SDE)を導入する。このようなアプリケーションにSDEが使われるのはこれが初めてです。一般的な顔特徴抽出器を用いて、超解像度画像と地上の真実を比較する。
論文参考訳（メタデータ） (2022-09-24T18:26:06Z)
Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文参考訳（メタデータ） (2022-07-18T15:11:43Z)
Fourier Neural Operator with Learned Deformations for PDEs on General Geometries [75.91055304134258]
我々は任意の測地上でPDEを解決するための新しいフレームワーク、viz.、geo-FNOを提案する。 Geo-FNO は入力(物理)領域を不規則で、一様格子を持つ潜在空間に変形させることを学ぶ。我々は, 弾性, 塑性, オイラー方程式, ナビエ・ストークス方程式などの多種多様なPDEと, 前方モデリングと逆設計の問題を考察する。
論文参考訳（メタデータ） (2022-07-11T21:55:47Z)
Learning time-dependent PDE solver using Message Passing Graph Neural Networks [0.0]
本稿では,メッセージパッシングモデルを用いた学習を通して,効率的なPDE解法を見つけるためのグラフニューラルネットワーク手法を提案する。グラフを用いて、非構造化メッシュ上でPDEデータを表現し、メッセージパッシンググラフニューラルネットワーク(MPGNN)が支配方程式をパラメータ化できることを示す。繰り返しグラフニューラルネットワークは,PDEに対する解の時間列を見つけることができることを示す。
論文参考訳（メタデータ） (2022-04-15T21:10:32Z)
Physics-constrained Unsupervised Learning of Partial Differential Equations using Meshes [1.066048003460524]
グラフニューラルネットワークは、不規則にメッシュ化されたオブジェクトを正確に表現し、それらのダイナミクスを学ぶことを約束する。本研究では、メッシュをグラフとして自然に表現し、グラフネットワークを用いてそれらを処理し、物理に基づく損失を定式化し、偏微分方程式(PDE)の教師なし学習フレームワークを提供する。本フレームワークは, ソフトボディ変形のモデルベース制御など, PDEソルバをインタラクティブな設定に適用する。
論文参考訳（メタデータ） (2022-03-30T19:22:56Z)
Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文参考訳（メタデータ） (2022-01-04T08:30:09Z)
dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。