論文の概要: MCFormer: A Multi-Cost-Volume Network and Comprehensive Benchmark for Particle Image Velocimetry

• arxiv url: http://arxiv.org/abs/2507.04750v2
• Date: Thu, 10 Jul 2025 02:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 12:24:00.059923
• Title: MCFormer: A Multi-Cost-Volume Network and Comprehensive Benchmark for Particle Image Velocimetry
• Title（参考訳）: MCFormer: 粒子画像速度測定のためのマルチコスト体積ネットワークと総合ベンチマーク
• Authors: Zicheng Lin, Xiaoqiang Li, Yichao Wang, Chuang Zhu,
• Abstract要約: Particle Image Velocimetry (PIV)は流体力学の基礎であるが、ディープラーニングアプリケーションは大きなハードルに直面している。 重要なギャップは、光学フローモデルがPIVデータに対してどのように機能するかを包括的に評価することの欠如である。 この作業は、PIV課題に適した基礎ベンチマークリソースと最先端メソッドの両方を提供する。
• 参考スコア（独自算出の注目度）: 8.170526185155747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Particle Image Velocimetry (PIV) is fundamental to fluid dynamics, yet deep learning applications face significant hurdles. A critical gap exists: the lack of comprehensive evaluation of how diverse optical flow models perform specifically on PIV data, largely due to limitations in available datasets and the absence of a standardized benchmark. This prevents fair comparison and hinders progress. To address this, our primary contribution is a novel, large-scale synthetic PIV benchmark dataset generated from diverse CFD simulations (JHTDB and Blasius). It features unprecedented variety in particle densities, flow velocities, and continuous motion, enabling, for the first time, a standardized and rigorous evaluation of various optical flow and PIV algorithms. Complementing this, we propose Multi Cost Volume PIV (MCFormer), a new deep network architecture leveraging multi-frame temporal information and multiple cost volumes, specifically designed for PIV's sparse nature. Our comprehensive benchmark evaluation, the first of its kind, reveals significant performance variations among adapted optical flow models and demonstrates that MCFormer significantly outperforms existing methods, achieving the lowest overall normalized endpoint error (NEPE). This work provides both a foundational benchmark resource essential for future PIV research and a state-of-the-art method tailored for PIV challenges. We make our benchmark dataset and code publicly available to foster future research in this area.
• Abstract（参考訳）: Particle Image Velocimetry (PIV)は流体力学の基礎であるが、ディープラーニングアプリケーションは大きなハードルに直面している。 利用可能なデータセットの制限と標準ベンチマークの欠如により、多種多様な光フローモデルがPIVデータに対してどのように機能するかの包括的な評価が欠如している。 これは公正な比較を妨げ、進歩を妨げる。 これを解決するために、我々は、多様なCFDシミュレーション(JHTDBとBlasius)から生成された、新しい大規模合成PIVベンチマークデータセットを作成しました。 粒子密度、流れ速度、連続運動において前例のない多様性を特徴とし、様々な光学フローとPIVアルゴリズムの標準化された厳密な評価を可能にした。 本稿では,多フレーム時間情報と複数コストボリュームを利用した新しいディープネットワークアーキテクチャであるMulti Cost Volume PIV (MCFormer)を提案する。 我々の総合的なベンチマーク評価は、最初のもので、適応された光フローモデル間で顕著な性能変化を示し、MCFormerが既存の手法を著しく上回り、最も低い全体正規化エンドポイントエラー(NEPE)を達成することを示した。 この研究は、将来のPIV研究に不可欠な基礎的なベンチマークリソースと、PIVの課題に合わせた最先端の手法の両方を提供する。 この領域における将来の研究を促進するために、ベンチマークデータセットとコードを公開しています。

関連論文リスト

• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [50.438552588818]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• FD-Bench: A Modular and Fair Benchmark for Data-driven Fluid Simulation [33.45842684810109]
  FD-Benchは、データ駆動流体シミュレーションのための最初の公正で、モジュール的で、包括的で再現可能なベンチマークである。 空間的、時間的、損失関数モジュール間の公正な比較を提供する。 将来のデータ駆動流体モデルの堅牢な評価の基礎を築いている。
  論文  参考訳（メタデータ） (2025-05-25T23:24:18Z)
• Spike Imaging Velocimetry: Dense Motion Estimation of Fluids Using Spike Cameras [56.30609439239127]
  本研究では、粒子画像速度測定(PIV)におけるスパイクカメラ(超高速・高ダイナミックレンジカメラの一種)の膨大なポテンシャルについて検討する。 本研究では,高乱流・複雑な流れ場に特化して設計された深層学習フレームワークSpike Imaging Velocimetry (SIV)を提案する。 本稿では,スパイクに基づくPIVデータセットであるParticle Scenes with Spike and Displacement (PSSD)を提案する。
  論文  参考訳（メタデータ） (2025-04-26T09:14:45Z)
• FedMLLM: Federated Fine-tuning MLLM on Multimodal Heterogeneity Data [56.08867996209236]
  フェデレートラーニング(FL)による微調整型マルチモーダル大言語モデル(MLLM)は、プライベートデータソースを含めることで、トレーニングデータの範囲を拡大することができる。 マルチモーダルな異種シナリオにおけるMLLMのファインチューニング性能を評価するためのベンチマークを提案する。 従来のFL手法を2つのモダリティに依存しない戦略と組み合わせた一般的なFedMLLMフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-22T04:09:23Z)
• Parameter-Efficient Fine-Tuning for Pre-Trained Vision Models: A Survey and Benchmark [97.8968058408759]
  事前学習された視覚モデル(PVM)は、幅広い下流の視覚タスクに顕著な適応性を示した。 これらのモデルが数十億または数兆のパラメータにスケールするにつれて、計算と記憶の要求が高いため、従来の完全な微調整はますます非現実的になっている。 パラメータ効率の良いファインチューニング(PEFT)は、モデルパラメータを最小限に調整しながら、完全なファインチューニングに匹敵するパフォーマンスを実現するための、有望な代替手段として登場した。
  論文  参考訳（メタデータ） (2024-02-03T19:12:20Z)
• Neural Particle Image Velocimetry [4.416484585765027]
  本稿では,この問題に適応した畳み込みニューラルネットワーク,すなわちボリューム対応ネットワーク(VCN)を紹介する。 ネットワークは、合成データと実フローデータの両方を含むデータセット上で、徹底的にトレーニングされ、テストされる。 解析の結果,提案手法は現場における他の最先端手法と同等の精度を保ちながら,効率の向上を図っている。
  論文  参考訳（メタデータ） (2021-01-28T12:03:39Z)
• 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)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)

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。