Fugu-MT 論文翻訳(概要): Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling

論文の概要: Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling

arxiv url: http://arxiv.org/abs/2111.01270v1
Date: Mon, 1 Nov 2021 21:49:22 GMT
ステータス: 処理完了
システム内更新日: 2021-11-03 15:08:23.427729
Title: Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling
Title（参考訳）: マルチスケールモデリングのためのマルチ解像度X線マイクロCT画像の深部学習
Authors: Samuel J. Jackson and Yufu Niu and Sojwal Manoorkar and Peyman Mostaghimi and Ryan T. Armstrong
Abstract要約: 本研究では3次元拡張深部超解像(EDSR)畳み込みニューラルネットワークを開発し,大規模空間スケールで高分解能データを生成する。我々は,テキスト解析,セグメンテーション動作,多相流シミュレーション(PNM)を用いてネットワークを検証した。 EDSR生成モデルは、不均一性の存在下での実験挙動を予測するための基礎LRモデルよりも精度が高い。
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: There are inherent field-of-view and resolution trade-offs in X-Ray micro-computed tomography imaging, which limit the characterization, analysis and model development of multi-scale porous systems. In this paper, we overcome these tradeoffs by developing a 3D Enhanced Deep Super Resolution (EDSR) convolutional neural network to create enhanced, high-resolution data over large spatial scales from low-resolution data. Paired high-resolution (HR, 2$\mu$m) and low resolution (LR, 6$\mu$m) image data from a Bentheimer rock sample are used to train the network. Unseen LR and HR data from the training sample, and another sample with a distinct micro-structure, are used to validate the network with various metrics: textual analysis, segmentation behaviour and pore-network model (PNM) multiphase flow simulations. The validated EDSR network is used to generate ~1000 high-resolution REV subvolume images for each full core sample of length 6-7cm (total image sizes are ~6000x6000x32000 voxels). Each subvolume has distinct petrophysical properties predicted from PNMs, which are combined to create a 3D continuum-scale model of each sample. Drainage immiscible flow at low capillary number is simulated across a range of fractional flows and compared directly to experimental pressures and 3D saturations on a 1:1 basis. The EDSR generated model is more accurate than the base LR model at predicting experimental behaviour in the presence of heterogeneities, especially in flow regimes where a wide distribution of pore-sizes are encountered. The models are generally accurate at predicting saturations to within the experimental repeatability and relative permeability across three orders of magnitude. The demonstrated workflow is a fully predictive, without calibration, and opens up the possibility to image, simulate and analyse flow in truly multi-scale heterogeneous systems that are otherwise intractable.
Abstract（参考訳）: マルチスケール多孔質系のキャラクタリゼーション、解析、モデル開発を制限するX線マイクロ計算トモグラフィーには、視野と解像度のトレードオフがある。本稿では,これらのトレードオフを克服するために,edsr畳み込みニューラルネットワークを3次元拡張し,低解像度データから大規模空間スケールの高分解能データを生成する。ベントハイマー岩盤試料からの対高分解能(hr, 2$\mu$m)と低分解能(lr, 6$\mu$m)の画像データを用いてネットワークを訓練する。トレーニングサンプルから得られたlrとhrデータと、異なるマイクロ構造を持つ別のサンプルは、テキスト分析、セグメンテーション動作、およびpnm(pore-network model)多相流シミュレーションなど、さまざまなメトリクスでネットワークを検証するために使用される。検証されたEDSRネットワークは、長さ6-7cmの各コアサンプルに対して、約1000の高解像度REVサブボリューム画像を生成する。各サブボリュームは、PNMから予測される異なる石油物理特性を持ち、各サンプルの3次元連続体スケールモデルを作成するために結合される。低キャピラリー数での乾燥不能な流れは, 実験圧力と3次元飽和度を1:1で直接比較し, 一定範囲の分数流でシミュレートした。 edsr生成モデルは, 細孔径分布の広い流れ場において, 異質性の存在下での実験的挙動を予測できるベースlrモデルよりも精度が高い。モデルは通常、実験的な再現性と3桁の相対透過性の範囲内で飽和を予測するのに正確である。実証されたワークフローは、キャリブレーションなしで完全に予測され、真にマルチスケールの異種システムにおけるフローをイメージし、シミュレートし、分析する可能性を開く。

関連論文リスト

StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文参考訳（メタデータ） (2023-12-02T02:27:58Z)
Deep Equilibrium Diffusion Restoration with Parallel Sampling [127.31325974698993]
拡散に基づく画像復元法の多くは、HQイメージを段階的に復元するために長いシリアルサンプリングチェーンを必要とする。拡散型IRモデルにおけるサンプリングチェーン全体をモデル化して解析解を導出する。単イメージサンプリングを並列に行うことができ、トレーニングなしでHQイメージを復元することができます。
論文参考訳（メタデータ） (2023-11-20T08:27:56Z)
Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference [60.32804641276217]
本稿では,LCM(Latent Consistency Models)を提案する。高品質の768 x 768 24-step LCMは、トレーニングに32A100 GPU時間しかかからない。また,画像データセットの微調整に適した新しいLCM法であるLCF(Latent Consistency Fine-tuning)についても紹介する。
論文参考訳（メタデータ） (2023-10-06T17:11:58Z)
Fast light-field 3D microscopy with out-of-distribution detection and adaptation through Conditional Normalizing Flows [16.928404625892625]
リアルタイム3次元蛍光顕微鏡は生物の分析に不可欠である。そこで我々は,生きた固定化ゼブラフィッシュ神経活動の高速な3次元再構成を行う新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-06-10T10:42:49Z)
T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文参考訳（メタデータ） (2023-05-24T03:32:03Z)
Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。本稿では,階層型統合拡散モデル(HI-Diff)を提案する。人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文参考訳（メタデータ） (2023-05-22T12:18:20Z)
Unpaired Downscaling of Fluid Flows with Diffusion Bridges [0.0]
ドメイン翻訳に使用する2つの独立条件拡散モデルをどのように連鎖させるかを示す。結果として得られる変換は、低解像度と高解像度データセットの間の拡散ブリッジである。本手法は, 物理流体シミュレーションにおいて, 分解能を高め, 文脈依存バイアスを補正することを示した。
論文参考訳（メタデータ） (2023-05-02T23:13:44Z)
Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media [0.0]
我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
論文参考訳（メタデータ） (2021-02-10T23:38:36Z)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)
DeePore: a deep learning workflow for rapid and comprehensive characterization of porous materials [0.0]
DeePoreは、マイクロトモグラフィー画像に基づく幅広い多孔質材料特性を推定するためのディープラーニングワークフローである。我々は,2563ボクセルの大きさの多孔質ジオマテリアルの半実3次元構造を17700個生成し,各試料の物理特性を,対応する細孔ネットワークモデル上の物理シミュレーションを用いて計算した。 CNNは、このデータセットに基づいて、多孔質材料のいくつかの形態的、水圧的、電気的、機械的特性を1秒で推定するように訓練されている。
論文参考訳（メタデータ） (2020-05-03T08:46:09Z)
Physical Accuracy of Deep Neural Networks for 2D and 3D Multi-Mineral Segmentation of Rock micro-CT Images [0.0]
4つのCNNアーキテクチャのパフォーマンスは、10の構成で2Dおよび3Dケースでテストされる。新しいネットワークアーキテクチャはU-netとResNetのハイブリッド統合として導入され、Net-in-Network構成の短いスキップ接続と長いスキップ接続を組み合わせたものである。 3D実装は、他のテストされたモデル全てをボクセルワイズと物理的精度で上回っている。
論文参考訳（メタデータ） (2020-02-13T03:14:17Z)

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。