論文の概要: Super-Resolution works for coastal simulations

• arxiv url: http://arxiv.org/abs/2408.16553v1
• Date: Thu, 29 Aug 2024 14:16:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 13:33:01.499933
• Title: Super-Resolution works for coastal simulations
• Title（参考訳）: 沿岸シミュレーションのための超解像加工
• Authors: Zhi-Song Liu, Markus Buttner, Vadym Aizinger, Andreas Rupp,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.263499279406057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning fine-scale details of a coastal ocean simulation from a coarse representation is a challenging task. For real-world applications, high-resolution simulations are necessary to advance understanding of many coastal processes, specifically, to predict flooding resulting from tsunamis and storm surges. We propose a Deep Network for Coastal Super-Resolution (DNCSR) for spatiotemporal enhancement to efficiently learn the high-resolution numerical solution. Given images of coastal simulations produced on low-resolution computational meshes using low polynomial order discontinuous Galerkin discretizations and a coarse temporal resolution, the proposed DNCSR learns to produce high-resolution free surface elevation and velocity visualizations in both time and space. To efficiently model the dynamic changes over time and space, we propose grid-aware spatiotemporal attention to project the temporal features to the spatial domain for non-local feature matching. The coordinate information is also utilized via positional encoding. For the final reconstruction, we use the spatiotemporal bilinear operation to interpolate the missing frames and then expand the feature maps to the frequency domain for residual mapping. Besides data-driven losses, the proposed physics-informed loss guarantees gradient consistency and momentum changes. Their combination contributes to the overall 24% improvements in RMSE. To train the proposed model, we propose a large-scale coastal simulation dataset and use it for model optimization and evaluation. Our method shows superior super-resolution quality and fast computation compared to the state-of-the-art methods.
• Abstract（参考訳）: 粗い表現から沿岸海洋シミュレーションの詳細な詳細を学習することは難しい課題である。 現実の応用には、津波や暴風による洪水を予測するために、多くの沿岸プロセスの理解を深めるために、高解像度のシミュレーションが必要である。 本稿では,高分解能数値解を効率的に学習するための時空間拡張のためのDNCSR(Deep Network for Coastal Super-Resolution)を提案する。 低多項式次不連続なガレルキン離散化と粗い時間分解能を用いた低分解能計算メッシュ上で生成した沿岸シミュレーションの画像から,提案したDNCSRは時間と空間の両方で高分解能な表面の標高と速度の可視化を学習する。 時間と空間の動的変化を効率的にモデル化するため,非局所的特徴マッチングのための時空間領域に時間的特徴を投影するグリッド対応時空間注意法を提案する。 また、座標情報を位置符号化により利用する。 最終再構成では、時空間双線形演算を用いて、欠落したフレームを補間し、特徴写像を周波数領域に拡張し、残像マッピングを行う。 データ駆動損失に加えて、物理インフォームド損失は勾配の一貫性と運動量変化を保証する。 これらの組み合わせは、RMSEの全体的な24%の改善に寄与する。 提案するモデルを評価するため,大規模な沿岸シミュレーションデータセットを提案し,モデル最適化と評価に利用した。 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。

関連論文リスト

• Optimal Transport-Based Displacement Interpolation with Data Augmentation for Reduced Order Modeling of Nonlinear Dynamical Systems [0.0]
  本稿では,複雑なシステムにおける非線形力学の表現を強化するために,最適輸送理論と変位を利用した新しいリダクション・オーダー・モデル(ROM)を提案する。 複雑なシステム挙動の予測における精度と効率の向上を示し、計算物理学や工学における幅広い応用の可能性を示している。
  論文  参考訳（メタデータ） (2024-11-13T16:29:33Z)
• 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)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)
• 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)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• SCFusion: Real-time Incremental Scene Reconstruction with Semantic Completion [86.77318031029404]
  本研究では,シーン再構成とセマンティックシーン補完を段階的かつリアルタイムに共同で行うフレームワークを提案する。 我々のフレームワークは、3Dグローバルモデルでセマンティックコンプリートを正確かつ効率的に融合させるために、占有マップを処理し、ボクセル状態を活用するように設計された新しいニューラルアーキテクチャに依存している。
  論文  参考訳（メタデータ） (2020-10-26T15:31:52Z)

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。