論文の概要: FlowTIE: Flow-based Transport of Intensity Equation for Phase Gradient Estimation from 4D-STEM Data

• arxiv url: http://arxiv.org/abs/2511.07633v1
• Date: Wed, 12 Nov 2025 01:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.404372
• Title: FlowTIE: Flow-based Transport of Intensity Equation for Phase Gradient Estimation from 4D-STEM Data
• Title（参考訳）: FlowTIE: 4D-STEMデータからの位相勾配推定のためのフローベースインテンシティ方程式の輸送
• Authors: Arya Bangun, Maximilian Töllner, Xuan Zhao, Christian Kübel, Hanno Scharr,
• Abstract要約: FlowTIEは、4D走査透過電子顕微鏡(STEM)データから位相再構成を行うニューラルネットワークベースのフレームワークである。 FlowTIEは位相再構成の精度を高速に向上し,より厚い検体モデル,すなわちマルチスライス法と統合可能であることを示す。
• 参考スコア（独自算出の注目度）: 2.2165442185620465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce FlowTIE, a neural-network-based framework for phase reconstruction from 4D-Scanning Transmission Electron Microscopy (STEM) data, which integrates the Transport of Intensity Equation (TIE) with a flow-based representation of the phase gradient. This formulation allows the model to bridge data-driven learning with physics-based priors, improving robustness under dynamical scattering conditions for thick specimen. The validation on simulated datasets of crystalline materials, benchmarking to classical TIE and gradient-based optimization methods are presented. The results demonstrate that FlowTIE improves phase reconstruction accuracy, fast, and can be integrated with a thick specimen model, namely multislice method.
• Abstract（参考訳）: 本研究では, 4D-Scanning Transmission Electron Microscopy (STEM)データからの位相再構成のためのニューラルネットワークベースのフレームワークであるFlowTIEを紹介し, 位相勾配のフローベース表現とTIE(Transport of Intensity Equation)を統合した。 この定式化により、モデルは物理に基づく事前学習でデータ駆動学習をブリッジすることができ、厚い標本に対する動的散乱条件下での堅牢性を向上させることができる。 結晶材料のシミュレーションデータセットの検証,古典的TIEへのベンチマーク,勾配に基づく最適化手法について述べる。 その結果、FlowTIEは位相再構成の精度を高速に向上し、より厚い検体モデル、すなわちマルチスライス法と統合できることが示されている。

関連論文リスト

• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Mean flow data assimilation using physics-constrained Graph Neural Networks [0.0]
  本研究では,グラフニューラルネットワーク(GNN)と最適化手法を統合し,平均流路復元の精度を高める新しいデータ同化手法を提案する。 GNNフレームワークは非構造化データを扱うのに適しており、計算流体力学(CFD)で遭遇する複雑な測地に共通している。 その結果,データ駆動モデルに類似するモデルと比較して,訓練データに制限がある場合でも,平均フロー再構成の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• Cascade of phase transitions in the training of Energy-based models [9.945465034701288]
  原型エネルギーベース生成モデルBernoulli-Bernoulli RBMの特徴符号化過程について検討した。 本研究は、その特異値分解によるモデルの重み行列の進化をトラックする。 我々はBernoulli-Bernoulli RBMを実データ集合上でトレーニングすることで理論的結果を検証する。
  論文  参考訳（メタデータ） (2024-05-23T15:25:56Z)
• Inpainting Computational Fluid Dynamics with Deep Learning [8.397730500554047]
  有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。 流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。 ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
  論文  参考訳（メタデータ） (2024-02-27T03:44:55Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。