論文の概要: Super-resolution GANs of randomly-seeded fields
- arxiv url: http://arxiv.org/abs/2202.11701v1
- Date: Wed, 23 Feb 2022 18:57:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-02-24 16:56:16.845843
- Title: Super-resolution GANs of randomly-seeded fields
- Title（参考訳）: ランダムシードフィールドの超分解能GAN
- Authors: Alejandro G\"uemes, Carlos Sanmiguel Vila, Stefano Discetti
- Abstract要約: ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction of field quantities from sparse measurements is a problem
arising in a broad spectrum of applications. This task is particularly
challenging when mapping between point sparse measurements and field quantities
shall be performed in an unsupervised manner. Further complexity is added for
moving sensors and/or random on-off status. Under such conditions, the most
straightforward solution is to interpolate the scattered data onto a regular
grid. However, the spatial resolution achieved with this approach is ultimately
limited by the mean spacing between the sparse measurements. In this work, we
propose a novel super-resolution generative adversarial network (GAN) framework
to estimate field quantities from random sparse sensors without needing any
full-resolution field for training. The algorithm exploits random sampling to
provide incomplete views of the high-resolution underlying distributions. It is
hereby referred to as RAndomly-SEEDed super-resolution GAN (RaSeedGAN). The
proposed technique is tested on synthetic databases of fluid flow simulations,
ocean surface temperature distributions measurements, and particle image
velocimetry data of a zero-pressure-gradient turbulent boundary layer. The
results show an excellent performance of the proposed methodology even in cases
with a high level of gappyness (>50\%) or noise conditions. To our knowledge,
this is the first super-resolution GANs algorithm for full-field estimation
from randomly-seeded fields with no need of a full-field high-resolution
representation during training nor of a library of training examples.
- Abstract（参考訳）: スパース測定によるフィールド量の再構成は、幅広い応用において生じる問題である。
このタスクは、ポイントスパース測定とフィールド量のマッピングを教師なしの方法で行う場合、特に困難である。
移動センサーおよび/またはランダムなオンオフ状態に対してさらに複雑さが加えられる。
このような条件下では、最も簡単な解決策は、散らばったデータを正規のグリッドに補間することである。
しかし、このアプローチで達成された空間分解能は、スパース測定値の平均間隔によって最終的に制限される。
そこで本研究では,ランダムスパースセンサからフィールド量を推定する超高分解能生成対向ネットワーク(GAN)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
これをRandomly-SEEDed Super- resolution GAN(RaSeedGAN)と呼ぶ。
提案手法は, 流体流動シミュレーション, 海面温度分布測定, およびゼロ圧力勾配乱流境界層の粒子画像速度測定データの合成データベースを用いて実験を行った。
その結果, 高いギャップ率 (>50\%) や騒音条件を有する場合においても, 提案手法の優れた性能を示すことができた。
我々の知る限り、これはトレーニング中のフルフィールド高分解能表現やトレーニング例のライブラリを必要としないランダムシードフィールドからフルフィールド推定のための最初のスーパーレゾリューションgansアルゴリズムである。
関連論文リスト
- Sublinear Algorithms for Wasserstein and Total Variation Distances: Applications to Fairness and Privacy Auditing [7.81603404636933]
本稿では,ガウス分布のPDFとCDFを推定する汎用アルゴリズムフレームワークを提案する。
サブ線形空間W.r.t.を必要とするサンプルのストリームから, 分布のマージ可能な要約を計算する。
これにより、サンプルがストリームや複数のソースから到着している間に、Wasserstein と Total Variation (TV) の距離を2つの準ガウス距離で推定することができる。
論文 参考訳（メタデータ） (2025-03-10T18:57:48Z) - Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳（メタデータ） (2024-03-08T07:31:14Z) - Thera: Aliasing-Free Arbitrary-Scale Super-Resolution with Neural Heat Fields [52.11475771410058]
任意のスケールの単一画像超解像(ASR)に対する最近のアプローチでは、任意の解像度でサンプリングできる連続的な信号を表現するためにニューラルネットワークを使用している。
既存の方法は、各スケーリング係数における場の積分バージョンを近似し、忠実さと一般化の両方を補うことによって、これを緩和しようとする。
物理的に正確なPSFをモデル化する新しい神経場定式化であるニューラルヒートフィールドを導入する。
我々の定式化は、任意の所望の出力解像度で分析的に正しいアンチエイリアスを可能にする。
論文 参考訳（メタデータ） (2023-11-29T14:01:28Z) - 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) - $\infty$-Diff: Infinite Resolution Diffusion with Subsampled Mollified
States [13.75813166759549]
$infty$-Diff は無限次元ヒルベルト空間で定義される生成拡散モデルである。
ランダムにサンプリングされた座標部分集合のトレーニングにより、任意の分解能サンプリングのための連続関数を学習する。
論文 参考訳（メタデータ） (2023-03-31T17:58:08Z) - A Neural Network Warm-Start Approach for the Inverse Acoustic Obstacle
Scattering Problem [7.624866197576227]
本稿では,逆散乱問題の解法として,ニューラルネットワークのウォームスタート手法を提案する。
トレーニングされたニューラルネットワークを用いて最適化問題の初期推定を求める。
このアルゴリズムは散乱場の測定においてノイズに対して頑健であり、また限られた開口データに対して真の解に収束する。
論文 参考訳（メタデータ） (2022-12-16T22:18:48Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳（メタデータ） (2022-08-18T16:07:59Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳（メタデータ） (2022-06-28T12:43:38Z) - GAN Based Boundary Aware Classifier for Detecting Out-of-distribution
Samples [24.572516991009323]
本稿では,ほとんどのIDデータのみを含む閉じたハイパースペースを生成するためのGANベースの境界認識分類器(GBAC)を提案する。
本手法は, 従来のニューラルネットが, 未閉鎖領域として特徴空間を分離し, オード検出に適さない。
GBACを補助モジュールとして、閉じたハイパースペースの外に分散されたoodデータは、より低いスコアで割り当てられ、より効果的なood検出が可能になる。
論文 参考訳（メタデータ） (2021-12-22T03:35:54Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2020-06-15T23:00:08Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳（メタデータ） (2020-05-26T17:53:18Z) - Stochastic Super-Resolution for Downscaling Time-Evolving Atmospheric
Fields with a Generative Adversarial Network [1.933681537640272]
我々は、同じフィールドの低解像度画像列からなる入力に対して、時間進化する高分解能大気圧のアンサンブルを生成することができる、繰り返し発生する超高分解能GANを導入する。
GANは、両方のデータセットに対して、現実的で、時間的に一貫した超分解能シーケンスを生成することができる。
GANジェネレータは完全に畳み込み型であるため、訓練後にトレーニングに使用する画像よりも大きな画像を入力することができる。
論文 参考訳（メタデータ） (2020-05-20T22:06:52Z)
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。