Fugu-MT 論文翻訳(概要): Can denoising diffusion probabilistic models generate realistic astrophysical fields?

論文の概要: Can denoising diffusion probabilistic models generate realistic astrophysical fields?

arxiv url: http://arxiv.org/abs/2211.12444v1
Date: Tue, 22 Nov 2022 17:54:47 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 19:37:58.541097
Title: Can denoising diffusion probabilistic models generate realistic astrophysical fields?
Title（参考訳）: 拡散確率モデルは現実的な天体物理場を生成することができるか?
Authors: Nayantara Mudur, Douglas P. Finkbeiner
Abstract要約: GAN(Generative Adversarial Network)の代替としてスコアベース生成モデルが登場した宇宙論シミュレーションによる暗黒物質質量密度場と星間ダストの画像の2つの文脈で、これらのモデルが磁場を生成する能力について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Score-based generative models have emerged as alternatives to generative adversarial networks (GANs) and normalizing flows for tasks involving learning and sampling from complex image distributions. In this work we investigate the ability of these models to generate fields in two astrophysical contexts: dark matter mass density fields from cosmological simulations and images of interstellar dust. We examine the fidelity of the sampled cosmological fields relative to the true fields using three different metrics, and identify potential issues to address. We demonstrate a proof-of-concept application of the model trained on dust in denoising dust images. To our knowledge, this is the first application of this class of models to the interstellar medium.
Abstract（参考訳）: スコアベースの生成モデルは、gan(generative adversarial network)の代替として出現し、複雑な画像分布からの学習とサンプリングに関わるタスクのフローを正規化する。本研究では、宇宙論シミュレーションによる暗黒物質質量密度場と星間ダストの画像の2つの文脈で、これらのモデルが磁場を生成する能力について検討する。本研究は,3つの異なる指標を用いて,実分野に対するサンプル宇宙分野の忠実度を調べ,対処すべき潜在的な問題を同定する。ダスト画像のデノイングにおいて, ダストに訓練したモデルの概念実証を行った。我々の知る限り、これは星間媒質へのこの種のモデルの最初の応用である。

関連論文リスト

Interpreting the Weight Space of Customized Diffusion Models [79.14866339932199]
微調整拡散モデルの重み空間は、新しいモデルを生成する解釈可能なメタラテント空間として振る舞うことができることを示す。この結果から,微調整拡散モデルの重み空間は,新しいモデルを生成する解釈可能なメタラテント空間として振る舞うことが示唆された。
論文参考訳（メタデータ） (2024-06-13T17:59:56Z)
Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
論文参考訳（メタデータ） (2024-06-01T21:54:01Z)
Diffusion-HMC: Parameter Inference with Diffusion Model driven Hamiltonian Monte Carlo [2.048226951354646]
この研究は、単一拡散生成モデルを用いて、観測された天体物理学分野の予測を理論から生成し、これらの予測を用いた観測から物理的モデルを制約する、相互に繋がった目的に対処する。拡散生成モデルの近似的近似性を利用して、ハミルトニアンモンテカルロ法を用いて、与えられたテスト画像の宇宙論的パラメータの後方をサンプリングすることで、宇宙論の厳密な制約を導出する。
論文参考訳（メタデータ） (2024-05-08T17:59:03Z)
Removing Dust from CMB Observations with Diffusion Models [4.094503210374668]
ダストエミッションマップの例から拡散モデルを訓練できることが示される。また、CMB宇宙論によって規定されたモデルを導入し、成分分離に関する単一宇宙論を用いて訓練されたモデルより優れる。
論文参考訳（メタデータ） (2023-10-25T01:36:48Z)
Image Embedding for Denoising Generative Models [0.0]
逆拡散過程の決定論的性質から拡散入射モデルに着目する。本研究の副次として,拡散モデルの潜伏空間の構造についてより深い知見を得た。
論文参考訳（メタデータ） (2022-12-30T17:56:07Z)
Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文参考訳（メタデータ） (2022-12-14T17:26:35Z)
SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文参考訳（メタデータ） (2022-11-22T18:00:03Z)
Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文参考訳（メタデータ） (2022-10-11T15:53:52Z)
Diffusion Models in Vision: A Survey [80.82832715884597]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文参考訳（メタデータ） (2022-09-10T22:00:30Z)
Generative Deformable Radiance Fields for Disentangled Image Synthesis of Topology-Varying Objects [52.46838926521572]
3D認識生成モデルは、モノクロ2D画像の集合から3Dニューラル放射場(NeRF)を生成するスーパーブパフォーマンスを実証した。本研究では, トポロジー変化物体の放射場を非交絡形状と外観変化で合成する生成モデルを提案する。
論文参考訳（メタデータ） (2022-09-09T08:44:06Z)
Realistic galaxy image simulation via score-based generative models [0.0]
本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
論文参考訳（メタデータ） (2021-11-02T16:27:08Z)

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。