Fugu-MT 論文翻訳(概要): EarthGAN: Can we visualize the Earth's mantle convection using a surrogate model?

論文の概要: EarthGAN: Can we visualize the Earth's mantle convection using a surrogate model?

arxiv url: http://arxiv.org/abs/2110.13315v1
Date: Mon, 25 Oct 2021 23:20:35 GMT
ステータス: 処理完了
システム内更新日: 2021-10-28 07:11:38.037163
Title: EarthGAN: Can we visualize the Earth's mantle convection using a surrogate model?
Title（参考訳）: EarthGAN: 代理モデルを使って地球のマントル対流を可視化できますか?
Authors: Tim von Hahn, Chris K. Mechefske
Abstract要約: 我々は,地球上のマントル対流データセットが容易にアクセス可能なハードウェア上で可視化できるように,生成的対向ネットワークを用いて代理モデルを構築した。予備的な結果は、地球のマントル対流データセットの代理モデルが有用な結果を生み出すことを示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Scientific simulations are often used to gain insight into foundational questions. However, many potentially useful simulation results are difficult to visualize without powerful computers. In this research, we seek to build a surrogate model, using a generative adversarial network, to allow for the visualization of the Earth's Mantle Convection data set on readily accessible hardware. We present our preliminary method and results, and all code is made publicly available. The preliminary results show that a surrogate model of the Earth's Mantle Convection data set can generate useful results. A comparison to the "ground-truth" is provided.
Abstract（参考訳）: 科学シミュレーションはしばしば基礎的な問題に対する洞察を得るために用いられる。しかし、強力なコンピュータを使わずに視覚化することは困難である。本研究では,地球上のマントル対流データセットが容易にアクセス可能なハードウェア上で可視化できるように,生成的対向ネットワークを用いて代理モデルを構築することを目的とする。予備的な方法と結果を示し、すべてのコードが公開されています。予備的な結果は、地球のマントル対流データセットの代理モデルが有用な結果をもたらすことを示している。接地真実(ground-truth)と比較する。

関連論文リスト

Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
論文参考訳（メタデータ） (2024-07-29T18:00:10Z)
Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
論文参考訳（メタデータ） (2024-06-06T07:34:58Z)
SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文参考訳（メタデータ） (2024-03-25T10:30:22Z)
DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文参考訳（メタデータ） (2023-12-06T16:53:17Z)
A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文参考訳（メタデータ） (2023-04-14T14:40:32Z)
Aerial Diffusion: Text Guided Ground-to-Aerial View Translation from a Single Image using Diffusion Models [72.76182801289497]
そこで本研究では,テキストガイダンスを用いて1つの地上画像から空中映像を生成する新しい手法であるAerial Diffusionを提案する。地上ビューと空中ビューのドメインギャップに対応する2つの主な課題に対処する。航空拡散(Aerial Diffusion)は、地上から航空への翻訳を教師なしで行う最初のアプローチである。
論文参考訳（メタデータ） (2023-03-15T22:26:09Z)
Learning to Grasp on the Moon from 3D Octree Observations with Deep Reinforcement Learning [0.0]
本研究では,月面物体の視覚に基づくロボットグリップにおける深部強化学習の適用性について検討する。エージェントを困難な条件下で訓練するために、手続き的に生成されたデータセットを用いた新しいシミュレーション環境を作成する。モデルなしの非政治的アクター批判アルゴリズムは、ポリシーのエンドツーエンド学習に使用される。
論文参考訳（メタデータ） (2022-08-01T12:59:03Z)
Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
論文参考訳（メタデータ） (2022-07-12T20:52:26Z)
Realistic galaxy image simulation via score-based generative models [0.0]
本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
論文参考訳（メタデータ） (2021-11-02T16:27:08Z)
Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文参考訳（メタデータ） (2021-04-10T15:00:15Z)
Machine Learning Information Fusion in Earth Observation: A Comprehensive Review of Methods, Applications and Data Sources [0.0]
本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
論文参考訳（メタデータ） (2020-12-07T13:35:08Z)

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。