Fugu-MT 論文翻訳(概要): Unpaired Translation of Point Clouds for Modeling Detector Response

論文の概要: Unpaired Translation of Point Clouds for Modeling Detector Response

arxiv url: http://arxiv.org/abs/2501.18674v1
Date: Thu, 30 Jan 2025 18:53:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-03 14:02:31.293848
Title: Unpaired Translation of Point Clouds for Modeling Detector Response
Title（参考訳）: 検出器応答のモデル化のための点雲の非ペア変換
Authors: Mingyang Li, Michelle Kuchera, Raghuram Ramanujan, Adam Anthony, Curtis Hunt, Yassid Ayyad,
Abstract要約: 我々は、この問題を未対応のポイントクラウド翻訳タスクとみなした。このマッピングを行うための新しいフレームワークを提案する。我々は,本手法を,Active-Target Time Projection Chamberから得られた合成ドメインとデータの両方で実証した。
参考スコア（独自算出の注目度）: 4.82984113627727
License:
Abstract: Modeling detector response is a key challenge in time projection chambers. We cast this problem as an unpaired point cloud translation task, between data collected from simulations and from experimental runs. Effective translation can assist with both noise rejection and the construction of high-fidelity simulators. Building on recent work in diffusion probabilistic models, we present a novel framework for performing this mapping. We demonstrate the success of our approach in both synthetic domains and in data sourced from the Active-Target Time Projection Chamber.
Abstract（参考訳）: 検出器応答のモデル化は時間射影チャンバーにおいて重要な課題である。我々はこの問題を,シミュレーションから収集したデータと実験実行から収集したデータの間で,不対位点クラウド翻訳タスクとみなした。効果的な翻訳は、ノイズの拒絶と高忠実度シミュレータの構築の両方を支援することができる。拡散確率モデルにおける最近の研究に基づいて、このマッピングを実行するための新しいフレームワークを提案する。我々は,本手法を,Active-Target Time Projection Chamberから得られた合成ドメインとデータの両方で実証した。

関連論文リスト

Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
論文参考訳（メタデータ） (2024-11-11T01:36:48Z)
A Simple Early Exiting Framework for Accelerated Sampling in Diffusion Models [14.859580045688487]
拡散モデルの現実的なボトルネックはサンプリング速度である。スコア推定に必要な計算を適応的に割り当てる新しいフレームワークを提案する。本研究では,画像品質を損なうことなく,拡散モデルのサンプリングスループットを大幅に向上できることを示す。
論文参考訳（メタデータ） (2024-08-12T05:33:45Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
論文参考訳（メタデータ） (2023-12-15T13:33:09Z)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文参考訳（メタデータ） (2023-08-28T08:47:06Z)
An Efficient Membership Inference Attack for the Diffusion Model by Proximal Initialization [58.88327181933151]
本稿では,効率的なクエリベースのメンバシップ推論攻撃(MIA)を提案する。実験結果から,提案手法は離散時間と連続時間の両方の拡散モデル上で,2つのクエリで競合性能を達成できることが示唆された。我々の知る限り、本研究はテキスト音声タスクにおけるMIAへの拡散モデルのロバスト性について初めて研究するものである。
論文参考訳（メタデータ） (2023-05-26T16:38:48Z)
Deep Convolution for Irregularly Sampled Temporal Point Clouds [39.51507835155255]
不規則なサンプルで表される連続空間時間過程のダイナミクスを空間と時間の両方でモデル化する問題を検討する。本稿では,この不規則なサンプルデータを直接学習し,予測できる新しい深層モデルを提案する。我々は,StarCraft IIにおける実世界の気象観測データと大軍間の戦闘について実験を行った。
論文参考訳（メタデータ） (2021-05-01T00:54:32Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)
Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文参考訳（メタデータ） (2020-09-11T21:32:35Z)
Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。