論文の概要: Wavelet-based Loss for High-frequency Interface Dynamics
- arxiv url: http://arxiv.org/abs/2209.02316v1
- Date: Tue, 6 Sep 2022 09:09:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 15:24:07.757971
- Title: Wavelet-based Loss for High-frequency Interface Dynamics
- Title（参考訳）: ウェーブレットに基づく高周波界面ダイナミクスの損失
- Authors: Lukas Prantl, Jan Bender, Tassilo Kugelstadt, Nils Thuerey
- Abstract要約: 本稿では,ウェーブレット損失の定式化に基づく新しい手法を提案する。
本手法は, 実測的な合成テストケースにおいて, 高周波の細部を再現できることを示す。
また, 物理シミュレーションに基づいて, より複雑な面に適用した場合の性能評価を行った。
- 参考スコア（独自算出の注目度）: 30.246577036044332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating highly detailed, complex data is a long-standing and frequently
considered problem in the machine learning field. However, developing
detail-aware generators remains an challenging and open problem. Generative
adversarial networks are the basis of many state-of-the-art methods. However,
they introduce a second network to be trained as a loss function, making the
interpretation of the learned functions much more difficult. As an alternative,
we present a new method based on a wavelet loss formulation, which remains
transparent in terms of what is optimized. The wavelet-based loss function is
used to overcome the limitations of conventional distance metrics, such as L1
or L2 distances, when it comes to generate data with high-frequency details. We
show that our method can successfully reconstruct high-frequency details in an
illustrative synthetic test case. Additionally, we evaluate the performance
when applied to more complex surfaces based on physical simulations. Taking a
roughly approximated simulation as input, our method infers corresponding
spatial details while taking into account how they evolve. We consider this
problem in terms of spatial and temporal frequencies, and leverage generative
networks trained with our wavelet loss to learn the desired spatio-temporal
signal for the surface dynamics. We test the capabilities of our method with a
set of synthetic wave function tests and complex 2D and 3D dynamics of
elasto-plastic materials.
- Abstract（参考訳）: 高精細で複雑なデータを生成することは、機械学習分野における長年にわたり、しばしば考慮されてきた問題である。
しかし、細部対応ジェネレータの開発は依然として困難かつオープンな問題である。
生成的敵ネットワークは多くの最先端手法の基礎となっている。
しかし、損失関数として訓練される第2のネットワークを導入することで、学習関数の解釈がより困難になる。
代替案として,最適化の観点で透明なウェーブレット損失定式化に基づく新しい手法を提案する。
ウェーブレットに基づく損失関数は、高周波詳細データを生成する場合のl1距離やl2距離といった従来の距離メトリクスの制限を克服するために用いられる。
本手法は, 再現型合成テストケースにおいて, 高周波細部を良好に再構成できることを示す。
さらに,より複雑な表面に適用した場合の性能を物理シミュレーションに基づいて評価する。
概略シミュレーションを入力として,それらの進化を考慮しつつ,対応する空間的詳細を推定する。
我々は,この問題を空間的および時間的周波数の観点から検討し,ウェーブレット損失をトレーニングした生成ネットワークを活用して,表面力学における所望の時空間信号の学習を行う。
本手法は, 合成波動関数テストと, 弾塑性材料の複雑な2次元および3次元ダイナミクスを用いて評価する。
関連論文リスト
- WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Xi-Net: Transformer Based Seismic Waveform Reconstructor [44.99833362998488]
地震波形のギャップは、さらなる信号処理を妨げ、貴重な情報を得る。
本稿では,複数面時間と周波数領域入力を用いた変換器を用いた深層学習モデルXi-Netを提案する。
我々の知る限りでは、これは地震波形再構成のためのトランスフォーマーに基づく最初のディープラーニングモデルである。
論文 参考訳（メタデータ） (2024-06-14T22:34:13Z) - Physics-guided Full Waveform Inversion using Encoder-Solver Convolutional Neural Networks [7.56372030029358]
フルウェーブフォーム・インバージョン(Full Waveform Inversion, FWI)は、与えられた領域における波動速度分布を推定する逆問題である。
我々は畳み込みニューラルネットワークに基づくエンコーダ-ソルバ事前条件の学習プロセスを開発する。
高周波データを用いた2次元物理モデルを用いてFWI問題の解法を実証する。
論文 参考訳（メタデータ） (2024-05-27T23:03:21Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳（メタデータ） (2023-04-28T21:34:53Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z) - Physics-informed neural network for ultrasound nondestructive
quantification of surface breaking cracks [0.0]
本研究では,金属板の表面破壊ひび割れの同定と特徴化の問題を解決するために,最適化された物理情報ニューラルネットワーク(PINN)を導入する。
PINNは、損失関数に部分微分方程式系の残基を追加することによって、学習過程におけるデータと物理を組み合わせることができるニューラルネットワークである。
PINNを用いて,1%の誤差で行う金属板の音速を推定し,音速の空間依存性を許容することにより,音速が低下した位置としてひび割れを識別・特徴付ける。
論文 参考訳（メタデータ） (2020-05-07T16:32:11Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。