論文の概要: Squeeze flow of micro-droplets: convolutional neural network with
trainable and tunable refinement
- arxiv url: http://arxiv.org/abs/2211.09061v1
- Date: Wed, 16 Nov 2022 17:22:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 16:07:13.247360
- Title: Squeeze flow of micro-droplets: convolutional neural network with
trainable and tunable refinement
- Title(参考訳): マイクロドロップレットのスクイーズフロー:調音性および調音性を有する畳み込みニューラルネットワーク
- Authors: Aryan Mehboudi, Shrawan Singhal, S.V. Sreenivasan
- Abstract要約: 本論文の前半では,問題の基礎となる物理を定式化するための偏微分方程式について述べる。
このパッケージは、機械学習やコンピュータビジョンの分野で、自由でフレキシブルでスケーラブルな標準ベンチマークとして機能する可能性がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a platform based on neural networks to solve the image-to-image
translation problem in the context of squeeze flow of micro-droplets. In the
first part of this paper, we present the governing partial differential
equations to lay out the underlying physics of the problem. We also discuss our
developed Python package, sqflow, which can potentially serve as free,
flexible, and scalable standardized benchmarks in the fields of machine
learning and computer vision. In the second part of this paper, we introduce a
residual convolutional neural network to solve the corresponding inverse
problem: to translate a high-resolution (HR) imprint image with a specific
liquid film thickness to a low-resolution (LR) droplet pattern image capable of
producing the given imprint image for an appropriate spread time of droplets.
We propose a neural network architecture that learns to systematically tune the
refinement level of its residual convolutional blocks by using the function
approximators that are trained to map a given input parameter (film thickness)
to an appropriate refinement level indicator. We use multiple stacks of
convolutional layers the output of which is translated according to the
refinement level indicators provided by the directly-connected function
approximators. Together with a non-linear activation function, such a
translation mechanism enables the HR imprint image to be refined sequentially
in multiple steps until the target LR droplet pattern image is revealed. The
proposed platform can be potentially applied to data compression and data
encryption. The developed package and datasets are publicly available on GitHub
at https://github.com/sqflow/sqflow.
- Abstract(参考訳): 本稿では,マイクロドロップレットのスクイーズフローの文脈で画像から画像への変換問題を解決するために,ニューラルネットワークに基づくプラットフォームを提案する。
本論文の前半では,問題の基礎となる物理を定式化するための偏微分方程式について述べる。
また、開発したpythonパッケージであるsqflowについても論じた。これは機械学習やコンピュータビジョンの分野で、フリーでフレキシブルでスケーラブルな標準ベンチマークとして機能する可能性がある。
本論文の第2部では、高分解能(hr)インプリント画像を特定の液膜厚で変換し、所定のインプリント画像を適切な液滴の拡散時間に生成可能な低分解能(lr)液滴パターン画像に変換することで、対応する逆問題を解くために、残畳み込みニューラルネットワークを導入する。
本稿では,所定の入力パラメータ(膜厚)を適切な精細度指標にマッピングするように訓練された関数近似器を用いて,残差畳み込みブロックの精細度を体系的に調整するニューラルネットワークアーキテクチャを提案する。
我々は、直接接続された関数近似器によって提供される洗練されたレベルインジケータに従って出力される複数の畳み込み層を用いる。
翻訳機構は、非線形活性化機能とともに、ターゲットLRドロップレットパターン画像が明らかにされるまで、HRインプリント画像を複数のステップで順次洗練することができる。
提案されたプラットフォームは、データ圧縮とデータ暗号化に応用できる可能性がある。
開発されたパッケージとデータセットは、githubのhttps://github.com/sqflow/sqflowで公開されている。
関連論文リスト
- Compression with Bayesian Implicit Neural Representations [16.593537431810237]
本稿では,データに変分ニューラルネットワークをオーバーフィッティングし,相対エントロピー符号化を用いて近似後重みサンプルを圧縮し,量子化やエントロピー符号化を行う。
実験により,本手法は単純さを維持しつつ,画像および音声の圧縮に強い性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-05-30T16:29:52Z) - Lossy Image Compression with Conditional Diffusion Models [25.158390422252097]
本稿では,拡散生成モデルを用いた画像圧縮のエンドツーエンド最適化について概説する。
VAEベースのニューラル圧縮とは対照的に、(平均)デコーダは決定論的ニューラルネットワークであり、私たちのデコーダは条件付き拡散モデルである。
提案手法では,GANモデルよりもFIDスコアが強く,VAEモデルとの競合性能も高い。
論文 参考訳(メタデータ) (2022-09-14T21:53:27Z) - Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。
我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。
実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
論文 参考訳(メタデータ) (2022-07-08T05:07:19Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data
via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。
提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文 参考訳(メタデータ) (2021-05-29T08:39:57Z) - DeFlow: Learning Complex Image Degradations from Unpaired Data with
Conditional Flows [145.83812019515818]
本論文では,不対データから画像劣化を学習するDeFlowを提案する。
共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。
共同画像復元と超解像におけるDeFlowの定式化を検証した。
論文 参考訳(メタデータ) (2021-01-14T18:58:01Z) - Principled network extraction from images [0.0]
本稿では,スケーラブルで効率的な画像からネットワークトポロジを抽出する原理モデルを提案する。
我々は,網膜血管系,スライムカビ,河川網の実際の画像を用いて本モデルを検証した。
論文 参考訳(メタデータ) (2020-12-23T15:56:09Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳(メタデータ) (2020-06-26T08:34:54Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳(メタデータ) (2020-06-08T05:15:17Z) - Radon cumulative distribution transform subspace modeling for image
classification [18.709734704950804]
画像変形モデルの幅広いクラスに適用可能な新しい教師付き画像分類法を提案する。
この方法は、画像データに先述のRandon Cumulative Distribution Transform(R-CDT)を用いる。
テスト精度の向上に加えて,計算効率の向上も示す。
論文 参考訳(メタデータ) (2020-04-07T19:47:26Z)
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。