論文の概要: Guiding diffusion models to reconstruct flow fields from sparse data

• arxiv url: http://arxiv.org/abs/2510.19971v1
• Date: Wed, 22 Oct 2025 19:01:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.641931
• Title: Guiding diffusion models to reconstruct flow fields from sparse data
• Title（参考訳）: スパースデータから流れ場を再構成するための拡散モデルの導出
• Authors: Marc Amorós-Trepat, Luis Medrano-Navarro, Qiang Liu, Luca Guastoni, Nils Thuerey,
• Abstract要約: 本研究では,高忠実度サンプルの再構成を可能にする拡散モデルのための新しいサンプリング手法を提案する。 本手法は流体構造予測において他の拡散法よりも常に優れる。 本研究では,流れ場データ再構成における拡散モデルの顕著な可能性について述べる。
• 参考スコア（独自算出の注目度）: 25.34099672176622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The reconstruction of unsteady flow fields from limited measurements is a challenging and crucial task for many engineering applications. Machine learning models are gaining popularity in solving this problem due to their ability to learn complex patterns from data and generalize across diverse conditions. Among these, diffusion models have emerged as particularly powerful in generative tasks, producing high-quality samples by iteratively refining noisy inputs. In contrast to other methods, these generative models are capable of reconstructing the smallest scales of the fluid spectrum. In this work, we introduce a novel sampling method for diffusion models that enables the reconstruction of high-fidelity samples by guiding the reverse process using the available sparse data. Moreover, we enhance the reconstructions with available physics knowledge using a conflict-free update method during training. To evaluate the effectiveness of our method, we conduct experiments on 2 and 3-dimensional turbulent flow data. Our method consistently outperforms other diffusion-based methods in predicting the fluid's structure and in pixel-wise accuracy. This study underscores the remarkable potential of diffusion models in reconstructing flow field data, paving the way for their application in Computational Fluid Dynamics research.
• Abstract（参考訳）: 限られた測定値から不安定な流れ場を再構築することは、多くの工学的応用にとって困難かつ重要な課題である。 機械学習モデルは、データから複雑なパターンを学習し、さまざまな条件にまたがって一般化する能力によって、この問題を解決することで人気を集めている。 これらのうち、拡散モデルは生成タスクにおいて特に強力であり、ノイズを反復的に精製することで高品質なサンプルを生成する。 他の方法とは対照的に、これらの生成モデルは流体スペクトルの最小スケールを再構成することができる。 本研究では,高忠実度サンプルの再構成を可能にする拡散モデルのための新しいサンプリング手法を提案する。 さらに、トレーニング中にコンフリクトフリー更新法を用いて、利用可能な物理知識を用いて再構成を強化する。 本手法の有効性を評価するため, 2次元および3次元乱流データを用いて実験を行った。 本手法は, 流体の構造を予測し, 画素単位の精度で他の拡散法よりも優れる。 本研究は, 流れ場データ再構成における拡散モデルの顕著な可能性を示し, 計算流体力学研究におけるその応用の道を開くものである。

関連論文リスト

• Predicting Flow Dynamics using Diffusion Models [0.0]
  DiffFluidモデルでは、拡散モデルとトランスフォーマーを組み合わせることで、流体力学を予測できることが示されている。 我々の目標は、DiffFluid論文の手法を他のシミュレーションタイプで検証しながら検証することであった。 以上の結果から,拡散モデルの適用可能性と課題が複雑流体力学問題に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-10T18:47:41Z)
• Diffusion models under low-noise regime [3.729242965449096]
  拡散モデルは, 汚損レベルが小さい場合に有効であることを示す。 トレーニングセットのサイズ,データ幾何,および客観選択形状のモデル化方法の定量化を行う。 この研究は、実用的なアプリケーションにおける生成モデルの信頼性に対する理解のギャップに対処し始めます。
  論文  参考訳（メタデータ） (2025-06-09T15:07:16Z)
• Neural Flow Diffusion Models: Learnable Forward Process for Improved Diffusion Modelling [2.1779479916071067]
  より広い範囲のプロセスをサポートすることで拡散モデルを強化する新しいフレームワークを提案する。 また,前処理を学習するための新しいパラメータ化手法を提案する。 結果はNFDMの汎用性と幅広い応用の可能性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T15:10:54Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Exploring Continual Learning of Diffusion Models [24.061072903897664]
  拡散モデルの連続学習(CL)特性を評価する。 我々は,拡散の時間経過にまたがる多様な行動を示す,忘れのダイナミクスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-27T15:52:14Z)
• A Physics-informed Diffusion Model for High-fidelity Flow Field Reconstruction [0.0]
  本研究では,高忠実度データのみを使用する拡散モデルを提案する。 異なる構成で、本モデルでは、正規の低忠実度サンプルまたはスパース測定サンプルから高忠実度データを再構成することができる。 本モデルでは, 異なる入力源に基づく2次元乱流の正確な再構成結果が得られるが, 再学習は行わない。
  論文  参考訳（メタデータ） (2022-11-26T23:14:18Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)

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。