論文の概要: CS-SHRED: Enhancing SHRED for Robust Recovery of Spatiotemporal Dynamics

• arxiv url: http://arxiv.org/abs/2507.22303v2
• Date: Thu, 31 Jul 2025 15:08:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 13:02:07.718659
• Title: CS-SHRED: Enhancing SHRED for Robust Recovery of Spatiotemporal Dynamics
• Title（参考訳）: CS-SHRED:時空間ダイナミクスのロバスト回復のためのSHREDの強化
• Authors: Romulo B. da Silva, Diego Passos, Cássio M. Oishi, J. Nathan Kutz,
• Abstract要約: CS-SHREDは、CSをShallow Recurrent Decoder(SHRED)に統合し、不完全、圧縮、破損したデータから動的を再構築するディープラーニングアーキテクチャである。 従来のSHREDアプローチと比較して、CS-SHREDは、SSIMとPSNR値の改善、正規化エラーの低減、LPIPSスコアの強化によって示されるように、はるかに高い再構築忠実性を達成する。
• 参考スコア（独自算出の注目度）: 2.8820361301109365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present CS-SHRED, a novel deep learning architecture that integrates Compressed Sensing (CS) into a Shallow Recurrent Decoder (SHRED) to reconstruct spatiotemporal dynamics from incomplete, compressed, or corrupted data. Our approach introduces two key innovations. First, by incorporating CS techniques into the SHRED architecture, our method leverages a batch-based forward framework with $\ell_1$ regularization to robustly recover signals even in scenarios with sparse sensor placements, noisy measurements, and incomplete sensor acquisitions. Second, an adaptive loss function dynamically combines Mean Squared Error (MSE) and Mean Absolute Error (MAE) terms with a piecewise Signal-to-Noise Ratio (SNR) regularization, which suppresses noise and outliers in low-SNR regions while preserving fine-scale features in high-SNR regions. We validate CS-SHRED on challenging problems including viscoelastic fluid flows, maximum specific humidity fields, sea surface temperature distributions, and rotating turbulent flows. Compared to the traditional SHRED approach, CS-SHRED achieves significantly higher reconstruction fidelity -- as demonstrated by improved SSIM and PSNR values, lower normalized errors, and enhanced LPIPS scores-thereby providing superior preservation of small-scale structures and increased robustness against noise and outliers. Our results underscore the advantages of the jointly trained CS and SHRED design architecture which includes an LSTM sequence model for characterizing the temporal evolution with a shallow decoder network (SDN) for modeling the high-dimensional state space. The SNR-guided adaptive loss function for the spatiotemporal data recovery establishes CS-SHRED as a promising tool for a wide range of applications in environmental, climatic, and scientific data analyses.
• Abstract（参考訳）: CS-SHREDは、圧縮センシング(CS)をShallow Recurrent Decoder(SHRED)に統合し、不完全、圧縮、破損したデータから時空間ダイナミクスを再構成する新しいディープラーニングアーキテクチャである。 このアプローチには2つの重要なイノベーションがあります。 まず,CS手法をSHREDアーキテクチャに組み込むことで,センサ配置,ノイズ測定,不完全なセンサ取得といったシナリオにおいても,信号の堅牢な回復に$\ell_1$正規化を施したバッチベースのフォワードフレームワークを活用する。 第二に、適応損失関数は平均正方形誤差(MSE)と平均絶対誤差(MAE)を信号対雑音比(SNR)正規化と動的に結合し、低SNR領域におけるノイズと外れ値を抑制するとともに、高SNR領域における微細な特徴を保存する。 本研究では, 粘弾性流体流, 最大比湿度場, 海面温度分布, 回転乱流などの問題に対してCS-SHREDを検証した。 従来のSHREDアプローチと比較して、CS-SHREDは、SSIMおよびPSNR値の改善、正規化エラーの低減、LPIPSスコアの強化により、小型構造物の保存性が向上し、ノイズや外れ値に対するロバスト性も向上する。 本研究では,高次元状態空間をモデル化するための浅層デコーダネットワーク(SDN)を用いて時間的進化を特徴付けるLSTMシーケンスモデルを含むCSとSHREDの設計アーキテクチャの利点を述べる。 時空間データ回復のためのSNR誘導適応損失関数は、CS-SHREDを環境、気候、科学データ分析における幅広い応用のための有望なツールとして確立する。

関連論文リスト

• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。 SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。 本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• PISCO: Self-Supervised k-Space Regularization for Improved Neural Implicit k-Space Representations of Dynamic MRI [10.397363299674508]
  我々は$mathL_mathrmPISCOで新しい自己教師付きk空間損失関数を導入する。 提案した損失関数は、並列イメージングにインスパイアされた自己整合性の概念に基づいている。 最先端の手法に比べて優れた安定性を実現する。
  論文  参考訳（メタデータ） (2025-01-16T09:18:59Z)
• SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [106.0057551634008]
  FreeNeRFは暗黙の幾何正規化を統合することでこの制限を克服しようとする。 新しい研究は、新しい特徴マッチングに基づくスパース幾何正規化モジュールを導入する。 モジュールは、高周波キーポイントをピンポイントすることで、詳細の完全性を保護する。
  論文  参考訳（メタデータ） (2024-04-01T08:37:57Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• A Range-Null Space Decomposition Approach for Fast and Flexible Spectral Compressive Imaging [31.26101924400667]
  圧縮ハイパースペクトル画像(HSI)再構成のための新しいフレームワークであるRND-SCIを提案する。 我々のフレームワークは、再構成されたオブジェクトをレンジスペースとヌルスペースのコンポーネントに分解します。 RND-SCIは設計が単純で、高い解釈性を持つだけでなく、様々なHSI再構成ネットワークにも容易に適用できる。
  論文  参考訳（メタデータ） (2023-05-16T18:37:58Z)
• 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)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)

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。