論文の概要: Super-Resolution Analysis via Machine Learning: A Survey for Fluid Flows

• arxiv url: http://arxiv.org/abs/2301.10937v2
• Date: Wed, 7 Jun 2023 01:02:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 19:33:43.744670
• Title: Super-Resolution Analysis via Machine Learning: A Survey for Fluid Flows
• Title（参考訳）: 機械学習による超解像解析:流体流れのサーベイ
• Authors: Kai Fukami, Koji Fukagata, Kunihiko Taira
• Abstract要約: 本稿では,機械学習による渦流の超解像再構成について検討する。 物理に着想を得たモデル設計により,空間的に限られた測定値から渦流の復元が成功できることを実証する。 本研究から得られた知見は,数値および実験フローデータの超解像解析に活用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper surveys machine-learning-based super-resolution reconstruction for vortical flows. Super resolution aims to find the high-resolution flow fields from low-resolution data and is generally an approach used in image reconstruction. In addition to surveying a variety of recent super-resolution applications, we provide case studies of super-resolution analysis for an example of two-dimensional decaying isotropic turbulence. We demonstrate that physics-inspired model designs enable successful reconstruction of vortical flows from spatially limited measurements. We also discuss the challenges and outlooks of machine-learning-based super-resolution analysis for fluid flow applications. The insights gained from this study can be leveraged for super-resolution analysis of numerical and experimental flow data.
• Abstract（参考訳）: 本稿では,機械学習による渦流の超解像再構成について検討する。 super resolutionは低解像度データから高解像度のフローフィールドを見つけることを目的としており、一般的に画像再構成に使用されるアプローチである。 近年の超解像応用に関する調査に加えて, 2次元減衰等方性乱流の例として, 超解像解析のケーススタディを提供する。 物理に着想を得たモデル設計により,空間的に限られた測定値から渦流の復元が成功できることを実証する。 また,流体応用における機械学習による超解像解析の課題と展望についても述べる。 本研究から得られた知見は,数値および実験フローデータの超解像解析に活用できる。

関連論文リスト

• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• 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)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
  本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。 IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。 スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
  論文  参考訳（メタデータ） (2023-03-29T07:02:20Z)
• Physics-informed deep-learning applications to experimental fluid mechanics [2.992602379681373]
  低分解能および雑音測定による流れ場データの高分解能再構成は実験流体力学において重要である。 ディープラーニングのアプローチは、このような超高解像度なタスクに適していることが示されている。 本研究では,物理インフォームドニューラルネットワーク(PINN)を時間空間における流れ場データの超解像に適用する。
  論文  参考訳（メタデータ） (2022-03-29T09:58:30Z)
• Optical Flow for Video Super-Resolution: A Survey [73.32742339612574]
  ビデオ超解像はコンピュータビジョンにおける最も活発な研究トピックの1つである。 本論では,本論を初めて包括的に概観する。 深層学習に基づくビデオ超解像法について詳細な研究を行う。
  論文  参考訳（メタデータ） (2022-03-20T06:04:56Z)
• Machine Learning-Accelerated Computational Solid Mechanics: Application to Linear Elasticity [0.0]
  我々は、高解像度ラベル付きデータを用いることなく、物理系の支配方程式と境界条件を利用してモデルを訓練する。 超解場は、粗いメッシュ解像度の400倍の精度で進行数値計算器の精度と一致することを示した。
  論文  参考訳（メタデータ） (2021-12-16T07:39:50Z)
• A comparative study of various Deep Learning techniques for spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent flows [0.45935798913942893]
  本研究では,様々な最先端機械学習技術を用いて,空間的・時間的に乱流場の超解像解析を行う。 この研究で使用されるデータセットは、ジョンズ・ホプキンス乱流データベースの一部である「等方性1024粗い」データセットから抽出される。
  論文  参考訳（メタデータ） (2021-07-07T17:16:55Z)
• SRFlow: Learning the Super-Resolution Space with Normalizing Flow [176.07982398988747]
  超解像度は、与えられた低解像度画像の複数の予測を可能にするため、不適切な問題である。 出力の条件分布を学習できる正規化フローベース超解法SRFlowを提案する。 我々のモデルは、単一損失、すなわち負のログ類似度を用いて、原則的に訓練されている。
  論文  参考訳（メタデータ） (2020-06-25T06:34:04Z)
• High-resolution signal recovery via generalized sampling and functional principal component analysis [0.609170287691728]
  本稿では,その間接的測定から未知関数の高分解能近似を復元する計算フレームワークを提案する。 特に、関心の関数をランダム場の実現としてモデル化するデータ駆動アプローチにより、信号の分解能を高める。 機能的主成分の疎表現を活用することにより,トレーニングセットのサイズを小さくすることができることを示す。
  論文  参考訳（メタデータ） (2020-02-20T13:44:24Z)

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。