Fugu-MT 論文翻訳(概要): S3RP: Self-Supervised Super-Resolution and Prediction for Advection-Diffusion Process

論文の概要: S3RP: Self-Supervised Super-Resolution and Prediction for Advection-Diffusion Process

arxiv url: http://arxiv.org/abs/2111.04639v1
Date: Mon, 8 Nov 2021 17:07:44 GMT
ステータス: 処理完了
システム内更新日: 2021-11-09 15:30:29.122990
Title: S3RP: Self-Supervised Super-Resolution and Prediction for Advection-Diffusion Process
Title（参考訳）: S3RP:自己改善型超解法と吸着拡散過程の予測
Authors: Chulin Wang, Kyongmin Yeo, Xiao Jin, Andres Codas, Levente J. Klein, Bruce Elmegreen
Abstract要約: 限られた情報を持つ対流拡散過程の超解像モデルを提案する。本研究では,物理に基づく正規化を訓練したリカレント畳み込みネットワークが,HRの地下構造データを持たずにHR情報を再構築可能であることを示す。
参考スコア（独自算出の注目度）: 1.8839378985061936
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a super-resolution model for an advection-diffusion process with limited information. While most of the super-resolution models assume high-resolution (HR) ground-truth data in the training, in many cases such HR dataset is not readily accessible. Here, we show that a Recurrent Convolutional Network trained with physics-based regularizations is able to reconstruct the HR information without having the HR ground-truth data. Moreover, considering the ill-posed nature of a super-resolution problem, we employ the Recurrent Wasserstein Autoencoder to model the uncertainty.
Abstract（参考訳）: 限られた情報を持つ対流拡散過程の超解像モデルを提案する。超解像モデルの多くは、トレーニングにおいて高分解能(HR)の地上構造データを仮定するが、多くの場合、そのようなHRデータセットはアクセスできない。ここでは、物理に基づく正規化を訓練したリカレント畳み込みネットワークが、HRの地下構造データを持たずに、HR情報を再構築可能であることを示す。さらに,超解像問題の性質を考慮し,再帰的なwassersteinオートエンコーダを用いて不確かさをモデル化する。

関連論文リスト

Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
論文参考訳（メタデータ） (2024-10-07T18:18:54Z)
PSRFlow: Probabilistic Super Resolution with Flow-Based Models for Scientific Data [11.15523311079383]
PSRFlowは、科学データ超解像のための新しい正規化フローベース生成モデルである。以上の結果から,既存の手法と比較して,優れた性能とロバストな不確実性定量化が得られた。
論文参考訳（メタデータ） (2023-08-08T22:10:29Z)
Recurrent Multi-scale Transformer for High-Resolution Salient Object Detection [68.65338791283298]
Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
論文参考訳（メタデータ） (2023-08-07T17:49:04Z)
Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。 IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文参考訳（メタデータ） (2023-03-29T07:02:20Z)
A comparative study of various Deep Learning techniques for spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent flows [0.45935798913942893]
本研究では,様々な最先端機械学習技術を用いて,空間的・時間的に乱流場の超解像解析を行う。この研究で使用されるデータセットは、ジョンズ・ホプキンス乱流データベースの一部である「等方性1024粗い」データセットから抽出される。
論文参考訳（メタデータ） (2021-07-07T17:16:55Z)
Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
論文参考訳（メタデータ） (2021-03-29T02:58:27Z)
Super-Resolution Reconstruction of Interval Energy Data [0.0]
深層学習を用いて低分解能間隔データを高分解能(15分)データにアップサンプリングするための超解像再構成(SRR)手法を提案する。予備的な結果から,提案手法はベースラインモデルに比べて性能が大幅に向上することが示された。
論文参考訳（メタデータ） (2020-10-23T21:34:22Z)
Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文参考訳（メタデータ） (2020-05-03T00:12:38Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)
Deep-HR: Fast Heart Rate Estimation from Face Video Under Realistic Conditions [62.68522031911656]
本稿では、複雑なタスクからのHR推定を単純化し、非常に相関した表現からHRへ学習することで、Deep Neural Network(DNN)の利点を享受する、シンプルで効率的なアプローチを提案する。より正確で高品質なビデオでは、FEの出力を改善するために、2つのディープエンコーダデコーダネットワークが訓練されている。 HR-DおよびMAHNOBデータセットによる実験結果から,本手法がリアルタイム手法として動作し,最先端の手法よりも平均HRを推定できることが確認された。
論文参考訳（メタデータ） (2020-02-12T07:00:07Z)

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。