論文の概要: PIV-FlowDiffuser:Transfer-learning-based denoising diffusion models for PIV
- arxiv url: http://arxiv.org/abs/2504.14952v1
- Date: Mon, 21 Apr 2025 08:22:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 18:54:22.881401
- Title: PIV-FlowDiffuser:Transfer-learning-based denoising diffusion models for PIV
- Title（参考訳）: PIV-FlowDiffuser:PIVのためのトランスファー学習に基づく認知拡散モデル
- Authors: Qianyu Zhu, Junjie Wang, Jeremiah Hu, Jia Ai, Yong Lee,
- Abstract要約: 本研究では,PIV解析にデノナイジング拡散モデル(FlowDiffuser)を用いる。
PIV-FlowDiffuser法により,データ強調反復復調拡散モデルを伝達学習戦略により訓練する。
その結果,PIV-FlowDiffuserはノイズパターンを効果的に抑制することがわかった。
- 参考スコア（独自算出の注目度）: 4.174753106884832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning algorithms have significantly reduced the computational time and improved the spatial resolution of particle image velocimetry~(PIV). However, the models trained on synthetic datasets might have a degraded performance on practical particle images due to domain gaps. As a result, special residual patterns are often observed for the vector fields of deep learning-based estimators. To reduce the special noise step-by-step, we employ a denoising diffusion model~(FlowDiffuser) for PIV analysis. And the data-hungry iterative denoising diffusion model is trained via a transfer learning strategy, resulting in our PIV-FlowDiffuser method. Specifically, (1) pre-training a FlowDiffuser model with multiple optical flow datasets of the computer vision community, such as Sintel, KITTI, etc; (2) fine-tuning the pre-trained model on synthetic PIV datasets. Note that the PIV images are upsampled by a factor of two to resolve the small-scale turbulent flow structures. The visualized results indicate that our PIV-FlowDiffuser effectively suppresses the noise patterns. Therefore, the denoising diffusion model reduces the average end-point error~($AEE$) by 59.4% over RAFT256-PIV baseline on the classic Cai's dataset. Besides, PIV-FlowDiffuser exhibits enhanced generalization performance on unseen particle images due to transfer learning. Overall, this study highlights the transfer-learning-based denoising diffusion models for PIV. And a detailed implementation is recommended for interested readers in the repository https://github.com/Zhu-Qianyu/PIV-FlowDiffuser.
- Abstract（参考訳）: 深層学習アルゴリズムは計算時間を大幅に短縮し、粒子画像速度測定(PIV)の空間分解能を改善した。
しかし、合成データセットで訓練されたモデルでは、領域ギャップのため、実用的な粒子画像の性能が低下する可能性がある。
その結果、ディープラーニングに基づく推定器のベクトル場に対して、特別な残留パターンがしばしば観察される。
そこで本研究では,PIV解析において,高次拡散モデル~(FlowDiffuser)を用いる。
PIV-FlowDiffuser法により,データ強調反復復調拡散モデルを伝達学習戦略により訓練する。
具体的には,(1)Sintel,KITTIなどのコンピュータビジョンコミュニティの複数の光フローデータセットを用いたFlowDiffuserモデルの事前学習,(2)合成PIVデータセットによる事前学習モデルの微調整を行う。
PIV画像は、小さな乱流構造を解くために2倍の係数でアップサンプリングされていることに注意されたい。
その結果,PIV-FlowDiffuserはノイズパターンを効果的に抑制することがわかった。
したがって、デノナイジング拡散モデルは、古典的なカイのデータセット上のRAFT256-PIVベースラインよりも平均的な終点誤差~(AEE$)を59.4%削減する。
さらに,PIV-FlowDiffuserでは,移動学習による粒子画像の一般化性能が向上している。
本研究は,PIVの伝達学習に基づくデノナイジング拡散モデルについて概説する。
また、興味のある読者には詳細な実装がリポジトリ https://github.com/Zhu-Qianyu/PIV-FlowDiffuser.com で推奨されている。
関連論文リスト
- Optimizing for the Shortest Path in Denoising Diffusion Model [8.884907787678731]
最短経路拡散モデル(ShortDF)は、復調誤差の最小化を目的とした最短経路問題である。
複数の標準ベンチマークの実験により、ShortDFは拡散時間(またはステップ)を大幅に短縮することが示された。
この研究は、インタラクティブな拡散ベースのアプリケーションへの道を開き、高速なデータ生成の基礎を確立します。
論文 参考訳（メタデータ） (2025-03-05T08:47:36Z) - Adaptive Training Meets Progressive Scaling: Elevating Efficiency in Diffusion Models [52.1809084559048]
TDCトレーニングと呼ばれる新しい2段階分割型トレーニング戦略を提案する。
タスクの類似性と難易度に基づいてタイムステップをグループ化し、高度にカスタマイズされた復調モデルを各グループに割り当て、拡散モデルの性能を向上させる。
2段階のトレーニングでは、各モデルを個別にトレーニングする必要がなくなるが、総トレーニングコストは、単一の統合されたデノナイジングモデルをトレーニングするよりもさらに低い。
論文 参考訳（メタデータ） (2023-12-20T03:32:58Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - Interpreting and Improving Diffusion Models from an Optimization Perspective [4.5993996573872185]
我々はこの観測を用いて、ユークリッド距離関数に適用された近似勾配勾配勾配として拡散モデルを解釈する。
本稿では,理論結果からの洞察を用いてDDIMを一般化した新しい勾配推定サンプリング手法を提案する。
論文 参考訳（メタデータ） (2023-06-08T00:56:33Z) - The Surprising Effectiveness of Diffusion Models for Optical Flow and
Monocular Depth Estimation [42.48819460873482]
拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。
また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
論文 参考訳（メタデータ） (2023-06-02T21:26:20Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - MANet: Improving Video Denoising with a Multi-Alignment Network [72.93429911044903]
本稿では,複数フローの提案とアテンションに基づく平均化を行うマルチアライメントネットワークを提案する。
大規模ビデオデータセットを用いた実験により,本手法は調音ベースラインモデルを0.2dBで改善することを示した。
論文 参考訳（メタデータ） (2022-02-20T00:52:07Z) - DeFlow: Learning Complex Image Degradations from Unpaired Data with
Conditional Flows [145.83812019515818]
本論文では,不対データから画像劣化を学習するDeFlowを提案する。
共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。
共同画像復元と超解像におけるDeFlowの定式化を検証した。
論文 参考訳（メタデータ） (2021-01-14T18:58:01Z) - IV-SLAM: Introspective Vision for Simultaneous Localization and Mapping [13.249453757295083]
IV-SLAMは、視覚的特徴からコンテキストに依存した再射誤差のノイズプロセスを明示的にモデル化する。
IV-SLAMは特徴抽出をガイドし、ノイズの少ない画像の一部からより多くの特徴を抽出する。
論文 参考訳（メタデータ） (2020-08-06T17:01:39Z) - Unsupervised Learning of Particle Image Velocimetry [6.69579674554491]
ディープラーニングは、Particle Image Velocimetry問題に取り組むための新しいアプローチにインスピレーションを与えた。
大規模で現実的なシナリオにおいて,信頼できる真実データを収集することは困難である。
ここでは、PIV問題に対処するために教師なし学習に基づくアプローチをとる最初の研究であると考えるものを提示する。
論文 参考訳（メタデータ） (2020-07-28T21:08:37Z)
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。