論文の概要: LatentFlow: Cross-Frequency Experimental Flow Reconstruction from Sparse Pressure via Latent Mapping

• arxiv url: http://arxiv.org/abs/2508.16648v1
• Date: Tue, 19 Aug 2025 08:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.082606
• Title: LatentFlow: Cross-Frequency Experimental Flow Reconstruction from Sparse Pressure via Latent Mapping
• Title（参考訳）: ラテントフロー:ラテントマッピングによるスパース圧力からのクロス周波数実験流再構成
• Authors: Junle Liu, Chang Liu, Yanyu Ke, Qiuxiang Huang, Jiachen Zhao, Wenliang Chen, K. T. Tse, Gang Hu,
• Abstract要約: 本稿では,高周波流路流れ場を再構成する新しい時間的時間的拡張フレームワークであるLatentFlowを提案する。 LatentFlowは、$p$C-$beta$-VAEデコーダを介して対応する高周波フローフィールドを生成する。
• 参考スコア（独自算出の注目度）: 11.253821520873936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Acquiring temporally high-frequency and spatially high-resolution turbulent wake flow fields in particle image velocimetry (PIV) experiments remains a significant challenge due to hardware limitations and measurement noise. In contrast, temporal high-frequency measurements of spatially sparse wall pressure are more readily accessible in wind tunnel experiments. In this study, we propose a novel cross-modal temporal upscaling framework, LatentFlow, which reconstructs high-frequency (512 Hz) turbulent wake flow fields by fusing synchronized low-frequency (15 Hz) flow field and pressure data during training, and high-frequency wall pressure signals during inference. The first stage involves training a pressure-conditioned $\beta$-variation autoencoder ($p$C-$\beta$-VAE) to learn a compact latent representation that captures the intrinsic dynamics of the wake flow. A secondary network maps synchronized low-frequency wall pressure signals into the latent space, enabling reconstruction of the wake flow field solely from sparse wall pressure. Once trained, the model utilizes high-frequency, spatially sparse wall pressure inputs to generate corresponding high-frequency flow fields via the $p$C-$\beta$-VAE decoder. By decoupling the spatial encoding of flow dynamics from temporal pressure measurements, LatentFlow provides a scalable and robust solution for reconstructing high-frequency turbulent wake flows in data-constrained experimental settings.
• Abstract（参考訳）: 粒子画像速度測定(PIV)実験における時間的高周波および空間的高分解能な乱れ流場獲得は,ハードウェアの限界や測定ノイズにより大きな課題である。 対照的に、風洞実験では空間的にスパースな壁圧の時間的高周波測定がより容易に行える。 本研究では,トレーニング中の同期低周波(15Hz)流れ場と圧力データを融合させることにより,高周波(512Hz)乱流流れ場を再構成するクロスモーダル時間的アップスケーリングフレームワークであるLatntFlowと,推論時の高周波壁圧信号を提案する。 最初のステージでは、圧力条件付き$\beta$-variation autoencoder(p$C-$\beta$-VAE)をトレーニングして、ウェイクフローの固有のダイナミクスをキャプチャするコンパクトな潜在表現を学ぶ。 二次ネットワークは同期した低周波壁圧信号を潜時空間にマッピングし、スパース壁圧のみからウェイクフロー場を再構築する。 訓練後、このモデルは高周波で空間的にスパースな壁圧入力を使用して、$p$C-$\beta$-VAEデコーダを介して対応する高周波流れ場を生成する。 時間的圧力測定から流れの空間的エンコーディングを分離することにより、LatentFlowは、データ制約された実験環境で高周波乱流を再構成するスケーラブルで堅牢なソリューションを提供する。

関連論文リスト

• Spatiotemporal wall pressure forecast of a rectangular cylinder with physics-aware DeepUFNet [7.806444353431173]
  本研究では,DeepUFNet(DeepUFNet)ディープラーニングモデルを開発した。 DeepUFNetはUNet構造で構成され、物理周波数損失制御係数はモデルの訓練段階に埋め込まれている。 このモデルにより,壁圧情報を高精度に予測できることがわかった。
  論文  参考訳（メタデータ） (2025-08-05T07:48:09Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for Accelerated Seq2Seq Diffusion Models [58.450152413700586]
  ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。 我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。 提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
  論文  参考訳（メタデータ） (2023-10-09T15:29:10Z)
• 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)
• PREF: Phasorial Embedding Fields for Compact Neural Representations [54.44527545923917]
  本稿では,脳神経信号モデリングと再構成作業を容易にするためのコンパクトな表現として,ファサール埋め込みフィールドemphPREFを提案する。 実験の結果,PreFをベースとしたニューラル信号処理技術は,2次元画像補完,3次元SDF表面回帰,5次元放射野再構成と同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-26T17:43:03Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
  我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。 ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
  論文  参考訳（メタデータ） (2021-07-01T18:28:13Z)

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。