論文の概要: DSSIM: a structural similarity index for floating-point data
- arxiv url: http://arxiv.org/abs/2202.02616v2
- Date: Sun, 19 Mar 2023 20:45:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 05:11:41.605282
- Title: DSSIM: a structural similarity index for floating-point data
- Title（参考訳）: DSSIM:浮動小数点データのための構造類似度指標
- Authors: Allison H. Baker and Alexander Pinard and Dorit M. Hammerling
- Abstract要約: 我々は、データSSIM(DSSIM)と呼ばれる浮動小数点データに直接適用可能な、人気のあるSSIMの代替案を提案する。
DSSIMは,大量のシミュレーションデータに対する圧縮損失による差分評価の文脈において有用性を示す一方で,シミュレーションや画像データを含む他の多くのアプリケーションにおいて有用であることを示す。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data visualization is a critical component in terms of interacting with
floating-point output data from large model simulation codes. Indeed,
postprocessing analysis workflows on simulation data often generate a large
number of images from the raw data, many of which are then compared to each
other or to specified reference images. In this image-comparison scenario,
image quality assessment (IQA) measures are quite useful, and the Structural
Similarity Index (SSIM) continues to be a popular choice. However, generating
large numbers of images can be costly, and plot-specific (but data independent)
choices can affect the SSIM value. A natural question is whether we can apply
the SSIM directly to the floating-point simulation data and obtain an
indication of whether differences in the data are likely to impact a visual
assessment, effectively bypassing the creation of a specific set of images from
the data. To this end, we propose an alternative to the popular SSIM that can
be applied directly to the floating point data, which we refer to as the Data
SSIM (DSSIM). While we demonstrate the usefulness of the DSSIM in the context
of evaluating differences due to lossy compression on large volumes of
simulation data from a popular climate model, the DSSIM may prove useful for
many other applications involving simulation or image data.
- Abstract（参考訳）: データビジュアライゼーションは、大規模なモデルシミュレーションコードから浮動小数点出力データと相互作用する上で重要なコンポーネントである。
実際、シミュレーションデータに対する後処理分析ワークフローは、多くの場合、生データから大量の画像を生成し、それらの多くは、互いに比較されるか、特定の参照画像に対して生成される。
この画像比較シナリオでは、画像品質評価(IQA)は極めて有用であり、構造類似度指数(SSIM)は引き続き一般的な選択肢である。
しかし、大量の画像を生成するにはコストがかかり、プロット固有の(データに依存しない)選択はSSIM値に影響を与える可能性がある。
自然な疑問は、SSIMを浮動小数点シミュレーションデータに直接適用し、そのデータの違いが視覚的評価に影響を及ぼす可能性が示唆され、データから特定の画像群を効果的に回避できるかどうかである。
そこで本研究では,データSSIM(Data SSIM)と呼ばれる浮動小数点データに直接適用可能な,一般的なSSIMの代替案を提案する。
一般的な気候モデルを用いた大規模シミュレーションデータに対する圧縮損失による差の評価においてdssimの有用性を示す一方で,シミュレーションや画像データを含む多くのアプリケーションにおいてdssimが有用であることを示す。
関連論文リスト
- CSIM: A Copula-based similarity index sensitive to local changes for Image quality assessment [2.3874115898130865]
画像類似度メトリクスは、画像処理、コンピュータビジョン、機械学習で使用されるため、コンピュータビジョンアプリケーションにおいて重要な役割を果たす。
PSNR、MSE、SSIM、ISSM、FSIMといった既存のメトリクスは、画像の小さな変更に対する速度、複雑さ、感度のいずれにおいても制限に直面していることが多い。
本稿では,画像の微妙な変化に敏感でありながらリアルタイムに組み合わせた新しい画像類似度指標CSIMについて検討する。
論文 参考訳（メタデータ） (2024-10-02T10:46:05Z) - SimMAT: Exploring Transferability from Vision Foundation Models to Any Image Modality [136.82569085134554]
大量のデータを訓練するChatGPTやSoraのような基礎的なモデルは、革命的な社会的影響をもたらしている。
様々な分野のセンサーが、同じ規模の自然画像を集め、強力な基礎モデルを訓練することは極めて困難である。
この研究は、自然のRGB画像に基づいて訓練された視覚基盤モデルから、異なる物理特性の他の画像モダリティへの転送可能性という、オープンな問題を研究するための、シンプルで効果的なフレームワークであるSimMATを提示する。
論文 参考訳（メタデータ） (2024-09-12T14:38:21Z) - NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
シミュレーション条件付きシーン生成フレームワークSimGenを紹介する。
SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することを学ぶ。
テキストプロンプトとシミュレータからのレイアウトに基づいて制御性を保ちながら、優れた生成品質と多様性を実現する。
論文 参考訳（メタデータ） (2024-06-13T17:58:32Z) - sim2real: Cardiac MR Image Simulation-to-Real Translation via
Unsupervised GANs [0.4433315630787158]
解剖学的に異なる仮想XCAT被験者に対して画像シミュレーションを行う。
画像リアリズムを改善するためのSIM2real Translation Networkを提案する。
我々のユーザビリティ実験は、sim2realデータにより、トレーニングデータを増強し、セグメンテーションアルゴリズムの性能を高める可能性があることを示唆している。
論文 参考訳（メタデータ） (2022-08-09T16:06:06Z) - Task2Sim : Towards Effective Pre-training and Transfer from Synthetic
Data [74.66568380558172]
本稿では,グラフィックスシミュレータから下流タスクへの合成データに基づく事前学習モデルの転送可能性について検討する。
本稿では、最適なシミュレーションパラメータに対する下流タスク表現を統一したモデルマッピングであるTask2Simを紹介する。
このマッピングはトレーニングによって学習し、"見える"タスクのセットで最適なパラメータのセットを見つける。
トレーニングが完了すると、ワンショットで新しい"見えない"タスクの最適なシミュレーションパラメータを予測するために使用することができる。
論文 参考訳（メタデータ） (2021-11-30T19:25:27Z) - A Hitchhiker's Guide to Structural Similarity [40.567747702628076]
構造的類似度(SSIM)指数は、非常に広く使用されている画像/ビデオ品質モデルです。
広く普及しているssimの実装の機能と性能を調査し,比較した。
私たちは最も効果的にSSIMを使用する方法に関する推奨事項のコレクションに到着しました。
論文 参考訳（メタデータ） (2021-01-16T02:51:06Z) - Recurrent convolutional neural network for the surrogate modeling of
subsurface flow simulation [0.0]
本稿では,数値フローシミュレーションの代理モデルとして,SegNetとConvLSTM層を組み合わせることを提案する。
その結果,シミュレーションの出力が時系列データである場合,SegNetに基づくサロゲートモデルの性能が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2020-10-08T09:34:48Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - ML-SIM: A deep neural network for reconstruction of structured
illumination microscopy images [0.0]
構造照明顕微鏡 (SIM) は, 光学超高分解能イメージングにおいて重要な技術となっている。
本稿では機械学習を利用した多目的再構成手法ML-SIMを提案する。
したがって、ML-SIMは生のSIM入力フレームの照明パターンにおけるノイズや不規則に対して堅牢である。
論文 参考訳（メタデータ） (2020-03-24T18:42:23Z)
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。