論文の概要: A 3D super-resolution of wind fields via physics-informed pixel-wise
self-attention generative adversarial network
- arxiv url: http://arxiv.org/abs/2312.13212v1
- Date: Wed, 20 Dec 2023 17:28:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 14:39:26.241331
- Title: A 3D super-resolution of wind fields via physics-informed pixel-wise
self-attention generative adversarial network
- Title（参考訳）: 物理インフォームド画素単位の自己アテンション生成対向ネットワークによる風場の3次元超解像
- Authors: Takuya Kurihana, Kyongmin Yeo, Daniela Szwarcman, Bruce Elmegreen,
Karthik Mukkavilli, Johannes Schmude, Levente Klein
- Abstract要約: 高解像度の風場を解く際の計算の複雑さは、異なる時間の長さとモデル構成をテストするのに実用的でないシミュレーションを残した。
本研究では,物理インフォームド・スーパーレゾリューション(SR)生成対向ネットワーク(GAN)の予備開発について述べる。
GANは3次元(3D)低分解能風力場をx9倍のアップスケールで超解する。
- 参考スコア（独自算出の注目度）: 0.01649298969786889
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To mitigate global warming, greenhouse gas sources need to be resolved at a
high spatial resolution and monitored in time to ensure the reduction and
ultimately elimination of the pollution source. However, the complexity of
computation in resolving high-resolution wind fields left the simulations
impractical to test different time lengths and model configurations. This study
presents a preliminary development of a physics-informed super-resolution (SR)
generative adversarial network (GAN) that super-resolves the three-dimensional
(3D) low-resolution wind fields by upscaling x9 times. We develop a pixel-wise
self-attention (PWA) module that learns 3D weather dynamics via a
self-attention computation followed by a 2D convolution. We also employ a loss
term that regularizes the self-attention map during pretraining, capturing the
vertical convection process from input wind data. The new PWA SR-GAN shows the
high-fidelity super-resolved 3D wind data, learns a wind structure at the
high-frequency domain, and reduces the computational cost of a high-resolution
wind simulation by x89.7 times.
- Abstract（参考訳）: 地球温暖化を緩和するには、温室効果ガス源を高い空間分解能で解決し、汚染源の削減と究極の除去を確実にするために監視する必要がある。
しかし、高分解能風場の解法における計算の複雑さは、異なる時間長とモデル構成をテストするためにシミュレーションを非現実的に残した。
本研究では,3次元(3D)低分解能風場をx9倍の高分解能で超解ける物理インフォームド超解像対向ネットワーク(GAN)の予備開発について述べる。
我々は,PWAモジュールを開発し,自己アテンション計算と2次元畳み込みによる3次元気象力学を学習する。
また,入力風データから垂直対流過程を捕捉し,事前学習中に自己注意マップを規則化する損失項を用いる。
新しいPWA SR-GANは、高忠実度超解風3次元風速データを示し、高周波領域で風構造を学習し、高分解能風速シミュレーションの計算コストをx89.7倍に削減する。
関連論文リスト
- Interpolation-Free Deep Learning for Meteorological Downscaling on Unaligned Grids Across Multiple Domains with Application to Wind Power [0.0]
風力発電は加速し、その効率性を確保するためには信頼性の高い風力確率予測が不可欠である。
数値風速予測モデルは計算に費用がかかるため、全てのメソスケール風速を捉えるには大きすぎる解像度で確率予測が生成される。
統計的ダウンスケーリングは、低分解能(LR)変数から高分解能(HR)気象変数への写像を学習することで、計算コストの低い実行可能な解を提供する。
論文 参考訳（メタデータ） (2024-10-04T22:04:40Z) - Super-Resolution works for coastal simulations [6.263499279406057]
高解像度のシミュレーションは、特に津波や暴風雨による洪水を予測するために、多くのプロセスの理解を深めるために必要である。
本稿では,高分解能数値解を効率的に学習するための超解法拡張のためのDeep Networkを提案する。
提案手法は,最先端の手法と比較して,高精細度で高速な計算が可能である。
論文 参考訳（メタデータ） (2024-08-29T14:16:13Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳（メタデータ） (2023-12-02T02:27:58Z) - Enhancing wind field resolution in complex terrain through a knowledge-driven machine learning approach [0.0]
ニューラルネットワークを用いたモデルでは、局所的な地形を尊重しながら、粗いスケールから完全に解決された3次元速度場を再構築できることが示される。
また、ドメイン知識に基づく適切なコスト関数を用いることで、敵のトレーニングの使用を軽減できることを示す。
論文 参考訳（メタデータ） (2023-09-18T21:41:04Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳（メタデータ） (2023-03-22T18:59:48Z) - 3D wind field profiles from hyperspectral sounders: revisiting
optic-flow from a meteorological perspective [0.0]
本稿では, 垂直分解型3次元大気運動ベクトル(AMV)データをフォアキャスト方式で抽出するための効率的な光フローアルゴリズムを提案する。
この再帰法は, 実大気観測における現状の光学的流れアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-09T10:14:25Z) - SST: Real-time End-to-end Monocular 3D Reconstruction via Sparse
Spatial-Temporal Guidance [71.3027345302485]
リアルタイムモノクル3D再構成は未解決の課題である。
視覚SLAMシステムからのスパース推定点を利用したエンドツーエンドの3D再構成ネットワークSSTを提案する。
SSTは、59FPSで高い推論速度を維持しながら、最先端の競合他社よりも優れています。
論文 参考訳（メタデータ） (2022-12-13T12:17:13Z) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳（メタデータ） (2022-07-20T17:09:16Z) - 3D Scattering Tomography by Deep Learning with Architecture Tailored to
Cloud Fields [12.139158398361866]
本論文では,マルチビュー画像から散乱体積を3次元再構成する計算トモグラフィ用ディープニューラルネットワークである3DeepCTを提案する。
また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2020-12-10T20:31:44Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。