論文の概要: Fluid Dynamics and Domain Reconstruction from Noisy Flow Images Using Physics-Informed Neural Networks and Quasi-Conformal Mapping
- arxiv url: http://arxiv.org/abs/2508.11216v1
- Date: Fri, 15 Aug 2025 04:49:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-18 14:51:23.750676
- Title: Fluid Dynamics and Domain Reconstruction from Noisy Flow Images Using Physics-Informed Neural Networks and Quasi-Conformal Mapping
- Title（参考訳）: 物理インフォームドニューラルネットワークと準等角写像を用いた雑音流画像からの流体力学と領域再構成
- Authors: Han Zhang, Xue-Cheng Tai, Jean-Michel Morel, Raymond H. Chan,
- Abstract要約: 血流イメージングは血管内の血行動態に重要な情報を提供する。
しかし,高品質なフロー画像の取得は依然として大きな課題である。
本稿では,短時間の取得時間やデバイスによるエラーにより,アーチファクトに悩まされるようなフローイメージをデノベートする問題に対処する。
- 参考スコア（独自算出の注目度）: 11.456430320090218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Blood flow imaging provides important information for hemodynamic behavior within the vascular system and plays an essential role in medical diagnosis and treatment planning. However, obtaining high-quality flow images remains a significant challenge. In this work, we address the problem of denoising flow images that may suffer from artifacts due to short acquisition times or device-induced errors. We formulate this task as an optimization problem, where the objective is to minimize the discrepancy between the modeled velocity field, constrained to satisfy the Navier-Stokes equations, and the observed noisy velocity data. To solve this problem, we decompose it into two subproblems: a fluid subproblem and a geometry subproblem. The fluid subproblem leverages a Physics-Informed Neural Network to reconstruct the velocity field from noisy observations, assuming a fixed domain. The geometry subproblem aims to infer the underlying flow region by optimizing a quasi-conformal mapping that deforms a reference domain. These two subproblems are solved in an alternating Gauss-Seidel fashion, iteratively refining both the velocity field and the domain. Upon convergence, the framework yields a high-quality reconstruction of the flow image. We validate the proposed method through experiments on synthetic flow data in a converging channel geometry under varying levels of Gaussian noise, and on real-like flow data in an aortic geometry with signal-dependent noise. The results demonstrate the effectiveness and robustness of the approach. Additionally, ablation studies are conducted to assess the influence of key hyperparameters.
- Abstract（参考訳）: 血流イメージングは血管系の血行動態に重要な情報を提供し、診断や治療計画において重要な役割を果たす。
しかし,高品質なフロー画像の取得は依然として大きな課題である。
本研究では, 短時間の取得時間やデバイスによるエラーにより, アーチファクトに悩まされるようなフローイメージをデノベートする問題に対処する。
我々は,この課題を最適化問題として定式化し,モデル化された速度場間の差を最小化し,ナヴィエ・ストークス方程式と観測された雑音速度データを満たすように制約する。
この問題を解決するために、流体サブプロブレムと幾何学サブプロブレムの2つのサブプロブレムに分解する。
流体サブプロブレムは物理インフォームドニューラルネットワークを利用して、一定の領域を仮定してノイズ観測から速度場を再構築する。
幾何学的サブプロブレムは、参照領域を変形する準等角写像を最適化することにより、基礎となる流れ領域を推論することを目的としている。
これら2つのサブプロブレムは、速度場と領域の両方を反復的に精製する、交互にガウス・シーデル方式で解かれる。
収束すると、フローイメージの高品質な再構成が得られる。
提案手法は,ガウス雑音の異なる収束流路形状における合成流データと,信号依存雑音を伴う大動脈形状における実状流データを用いて検証する。
結果は、アプローチの有効性と堅牢性を示している。
さらに、キーハイパーパラメータの影響を評価するためにアブレーション研究を行っている。
関連論文リスト
- Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。
提案手法は問題に依存しず,様々な逆問題に容易に適応できる。
このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
論文 参考訳（メタデータ） (2025-07-22T19:35:14Z) - PIORF: Physics-Informed Ollivier-Ricci Flow for Long-Range Interactions in Mesh Graph Neural Networks [23.97389618896843]
本稿では,物理相関とグラフトポロジを結合した新しいリウィリング法であるPhysical-Informed Ollivier-Ricci Flow (PIORF)を提案する。
PIORFはベースラインモデルと既存のリワイア法を一貫して上回り、最大26.2の改善を実現している。
論文 参考訳（メタデータ） (2025-04-05T04:14:05Z) - FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。
Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
論文 参考訳（メタデータ） (2025-03-11T07:56:14Z) - Enhancing Dynamic CT Image Reconstruction with Neural Fields and Optical Flow [0.0]
偏微分方程式に基づく動的逆問題に対する明示的運動正規化器の導入の利点を示す。
また、ニューラルネットワークをグリッドベースの解法と比較し、前者はPSNRで後者より優れていることを示す。
論文 参考訳（メタデータ） (2024-06-03T13:07:29Z) - FlowDepth: Decoupling Optical Flow for Self-Supervised Monocular Depth Estimation [8.78717459496649]
本稿では,ダイナミックモーションフローモジュール (DMFM) が機構ベースのアプローチで光学フローを分離し,動的領域をワープし,ミスマッチ問題を解くフローDepthを提案する。
高フレック領域と低テクスチャ領域による光度誤差の不公平性については,入力と損失レベルでそれぞれDepth-Cue-Aware Blur(DCABlur)とCost-Volumeの空間損失を用いて解決する。
論文 参考訳（メタデータ） (2024-03-28T10:31:23Z) - Vision-Informed Flow Image Super-Resolution with Quaternion Spatial
Modeling and Dynamic Flow Convolution [49.45309818782329]
フロー画像超解像(FISR)は、低分解能フロー画像から高分解能乱流速度場を復元することを目的としている。
既存のFISR法は主に自然画像パターンのフロー画像を処理する。
第一流れの視覚特性インフォームドFISRアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-29T06:48:16Z) - Physics-informed neural networks for blood flow inverse problems [2.5543665891116163]
物理インフォームドニューラルネットワーク(PINN)は、逆問題を解決する強力なツールとして登場した。
本研究では,上行大動脈における散乱2Dノイズ測定から低次モデルパラメータと全速度場を推定するためにPINN法を用いる。
論文 参考訳（メタデータ） (2023-08-02T04:04:49Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳（メタデータ） (2023-03-10T07:42:49Z) - Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes
problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。
本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文 参考訳（メタデータ） (2022-07-04T14:51:59Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Prediction of Ultrasonic Guided Wave Propagation in Solid-fluid and
their Interface under Uncertainty using Machine Learning [0.0]
我々は,構造物の材料および幾何学的特性の不確かさを考慮し,既存研究を推し進める。
本研究では,不確実性の下での多物理問題の解法に固有の複雑性に対処する効率的なアルゴリズムを開発する。
提案手法は不確実性が存在する場合にWpFSI問題を正確に予測する。
論文 参考訳（メタデータ） (2021-03-30T01:05:14Z)
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。