Fugu-MT 論文翻訳(概要): Physics informed Shadowgraph Density Field Reconstruction

論文の概要: Physics informed Shadowgraph Density Field Reconstruction

arxiv url: http://arxiv.org/abs/2410.20203v1
Date: Sat, 26 Oct 2024 15:28:15 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-29 12:21:33.121156
Title: Physics informed Shadowgraph Density Field Reconstruction
Title（参考訳）: 物理情報を用いたシャドウグラフ密度場再構成
Authors: Xutun Wang, Yuchen Zhang, Zidong Li, Haocheng Wen, Bing Wang,
Abstract要約: 本研究では,物理インフォームド・フレームワークを用いた影画像から密度場を再構成する手法を提案する。従来のシャドウグラフイメージング技術と物理インフォームドニューラルネットワーク(PINN)を組み合わせることで、複雑な流れ場の屈折率の変動を効果的に捉えることができる。
参考スコア（独自算出の注目度）: 4.5293456394874205
License:
Abstract: This study presents a novel approach to reconstructing density fields from shadowgraph images using a physics-informed framework. By integrating traditional shadowgraph imaging techniques with physics-informed neural networks (PINNs), we effectively capture refractive index variations within complex flow fields. The proposed method addresses the inherent challenges of shadowgraphy, such as noise and limited spatial resolution, enabling accurate visualization of fluid dynamics. Experimental results demonstrate the feasibility and robustness of our approach, with significant agreement observed between the reconstructed density fields and experimental measurements. This research contributes to the advancement of non-intrusive diagnostic techniques in fluid mechanics and enhances our understanding of flow structures in various applications.
Abstract（参考訳）: 本研究では,物理インフォームド・フレームワークを用いたシャドウグラフ画像から密度場を再構成する手法を提案する。従来のシャドウグラフイメージング技術と物理インフォームドニューラルネットワーク(PINN)を組み合わせることで、複雑な流れ場の屈折率の変動を効果的に捉えることができる。提案手法は,ノイズや空間分解能の制限といったシャドウグラフィーの本質的な課題に対処し,流体力学の正確な可視化を可能にする。提案手法の有効性とロバスト性を実験的に検証し, 再構成された密度場と実験結果との間に有意な一致が認められた。本研究は流体力学における非侵襲診断技術の進歩に寄与し, 各種応用における流れ構造の理解を深める。

関連論文リスト

Optimized Current Density Reconstruction from Widefield Quantum Diamond Magnetic Field Maps [0.0]
ダイヤモンド結晶中の窒素原子価(NV)欠陥を利用した量子ダイヤモンド顕微鏡は、様々なナノスケール電流プロファイルの磁場イメージングを可能にした。現在の密度を再構築する問題は、研究中の構造について重要な洞察を与える。推論に基づく再構成の新しい代替手段として,学習アルゴリズムとベイズ的手法が提案されている。
論文参考訳（メタデータ） (2024-02-23T10:57:07Z)
Image segmentation with traveling waves in an exactly solvable recurrent neural network [71.74150501418039]
繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
論文参考訳（メタデータ） (2023-11-28T16:46:44Z)
Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文参考訳（メタデータ） (2023-01-10T19:00:12Z)
Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文参考訳（メタデータ） (2022-09-23T00:33:04Z)
Physics-informed neural networks for diffraction tomography [0.1199955563466263]
生体試料のトモグラフィー再構成のためのフォワードモデルとして物理インフォームドニューラルネットワークを提案する。このネットワークをヘルムホルツ方程式で物理的損失として訓練することにより、散乱場を正確に予測することができる。
論文参考訳（メタデータ） (2022-07-28T16:56:50Z)
Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
論文参考訳（メタデータ） (2022-04-26T08:09:47Z)
Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。計算課題に対処する2段階の学習パラダイムを開発する。
論文参考訳（メタデータ） (2021-11-23T15:08:26Z)
Segmentation of Roads in Satellite Images using specially modified U-Net CNNs [0.0]
本研究の目的は,道路画像の特定を行う都市景観の衛星画像の分類器を構築することである。従来のコンピュータビジョンアルゴリズムとは異なり、畳み込みニューラルネットワーク(CNN)はこのタスクに対して正確で信頼性の高い結果を提供する。
論文参考訳（メタデータ） (2021-09-29T19:08:32Z)
Deep Convolutional Neural Network for Low Projection SPECT Imaging Reconstruction [0.0]
SPECT画像の投影回数が少ない新しい断層画像再構成法を提案する。深層畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)が, 新たな再構成手法として採用されている。
論文参考訳（メタデータ） (2021-08-09T09:30:45Z)
NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文参考訳（メタデータ） (2020-08-26T17:59:36Z)
Learning Local Complex Features using Randomized Neural Networks for Texture Analysis [0.1474723404975345]
テクスチャ解析のための学習手法と複雑ネットワーク(CN)理論を組み合わせた新しい手法を提案する。この方法はCNの表現能力を利用してテクスチャイメージを有向ネットワークとしてモデル化する。このニューラルネットワークは、単一の隠蔽層を持ち、高速学習アルゴリズムを使用して、テクスチャのキャラクタリゼーションのためにローカルなCNパターンを学習することができる。
論文参考訳（メタデータ） (2020-07-10T23:18:01Z)

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。