論文の概要: Particle Image Velocimetry Refinement via Consensus ADMM

• arxiv url: http://arxiv.org/abs/2512.11695v1
• Date: Fri, 12 Dec 2025 16:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.839012
• Title: Particle Image Velocimetry Refinement via Consensus ADMM
• Title（参考訳）: コンセンサスADMMによる粒子速度計の微細化
• Authors: Alan Bonomi, Francesco Banelli, Antonio Terpin,
• Abstract要約: 粒子画像速度計 (Particle Image Velocimetry, PIV) は、流体に浸漬された中性浮動性トレーサ粒子の変位を分析することにより、ブラフ体周りの流れ場を定量化するイメージング技術である。 従来のPIVアプローチは一般的に、撮像装置に特有のチューニングパラメータに依存しており、照明、流れ条件、発芽密度の変動に敏感である。 本研究では,複数アルゴリズムによる瞬時フロー定量化を並列化し,乗算器の交互方向法に基づくコンセンサス・フレームワークを採用する。
• 参考スコア（独自算出の注目度）: 1.4268442841833953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Particle Image Velocimetry (PIV) is an imaging technique in experimental fluid dynamics that quantifies flow fields around bluff bodies by analyzing the displacement of neutrally buoyant tracer particles immersed in the fluid. Traditional PIV approaches typically depend on tuning parameters specific to the imaging setup, making the performance sensitive to variations in illumination, flow conditions, and seeding density. On the other hand, even state-of-the-art machine learning methods for flow quantification are fragile outside their training set. In our experiments, we observed that flow quantification would improve if different tunings (or algorithms) were applied to different regions of the same image pair. In this work, we parallelize the instantaneous flow quantification with multiple algorithms and adopt a consensus framework based on the alternating direction method of multipliers, seamlessly incorporating priors such as smoothness and incompressibility. We perform several numerical experiments to demonstrate the benefits of this approach. For instance, we achieve a decrease in end-point-error of up to 20% of a dense-inverse-search estimator at an inference rate of 60Hz, and we show how this performance boost can be increased further with outlier rejection. Our method is implemented in JAX, effectively exploiting hardware acceleration, and integrated in Flow Gym, enabling (i) reproducible comparisons with the state-of-the-art, (ii) testing different base algorithms, (iii) straightforward deployment for active fluids control applications.
• Abstract（参考訳）: 粒子画像速度測定(Particle Image Velocimetry, PIV)は、流体に浸漬された中性浮動性トレーサー粒子の変位を分析して、ブラフ体周りの流れ場を定量化する実験流体力学のイメージング技術である。 従来のPIVアプローチは一般的に、撮像装置に特有のチューニングパラメータに依存しており、照明、流れ条件、発芽密度の変動に敏感である。 一方、フロー定量化のための最先端の機械学習手法でさえ、トレーニングセットの外で脆弱である。 実験では,同じ画像対の異なる領域に異なるチューニング(あるいはアルゴリズム)を適用すれば,流れの定量化が向上することを示した。 本研究では,複数アルゴリズムによる瞬時フロー定量化を並列化し,乗算器の交互方向法に基づくコンセンサス・フレームワークを導入し,滑らかさや非圧縮性といった先例をシームレスに取り入れた。 このアプローチの利点を実証するために,いくつかの数値実験を行った。 例えば、60Hzの推算速度で高密度逆探索推定器の最大20%の終点誤差を減少させ、この性能向上をさらに促進できることを示す。 本手法はJAXで実装され,ハードウェアアクセラレーションを効果的に活用し,Flow Gymに統合することで実現している。 一 技術の現状と再現可能な比較 (ii)異なる基本アルゴリズムのテスト。 三 能動流体制御アプリケーションのための簡単な配置

関連論文リスト

• Purrception: Variational Flow Matching for Vector-Quantized Image Generation [79.74708247230218]
  パーセプション(Purrception)はベクトル量子化画像生成のための変動流マッチング手法である。 本手法は,変分フローマッチングをベクトル量子化潜水器に適用し,コードブックの指標からカテゴリー後部を学習する。 これは連続的手法の幾何学的認識とカテゴリー的アプローチの離散的な監督を組み合わせる。
  論文  参考訳（メタデータ） (2025-10-01T21:41:30Z)
• Spike Imaging Velocimetry: Dense Motion Estimation of Fluids Using Spike Cameras [84.58138852280813]
  本研究では、粒子画像速度測定(PIV)におけるスパイクカメラ(超高速・高ダイナミックレンジカメラの一種)の膨大なポテンシャルについて検討する。 本研究では,高乱流・複雑な流れ場に特化して設計された深層学習フレームワークSpike Imaging Velocimetry (SIV)を提案する。 本稿では,スパイクに基づくPIVデータセットであるParticle Scenes with Spike and Displacement (PSSD)を提案する。
  論文  参考訳（メタデータ） (2025-04-26T09:14:45Z)
• Image Velocimetry using Direct Displacement Field estimation with Neural Networks for Fluids [0.0]
  本研究は,ニューラルネットワークと光流方程式を用いて流体流れ場を推定する新しい手法を提案する。 この手法は合成画像と実験画像で検証された。
  論文  参考訳（メタデータ） (2025-01-28T20:40:15Z)
• Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
  実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。 本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
  論文  参考訳（メタデータ） (2024-11-17T17:45:37Z)
• Deep-learning Optical Flow Outperforms PIV in Obtaining Velocity Fields from Active Nematics [2.0722018747867863]
  MTをベースとした能動ネマティクスの自発的な流れを異なるラベル付け条件下で定量化する光学フローの能力を評価する。 DLOFは高密度にラベル付けされた試料に対して、PIVよりもはるかに正確な速度場を生成する。 本研究は, 活性, ソフト, バイオ物理系の多種多様な流れを計測するための汎用ツールとしてDLOFを確立した。
  論文  参考訳（メタデータ） (2024-04-23T20:20:00Z)
• MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
  本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。 実験により,提案手法が現在の先行手法を超越していることが実証された。
  論文  参考訳（メタデータ） (2024-01-19T04:40:20Z)
• Unsupervised Motion Representation Enhanced Network for Action Recognition [4.42249337449125]
  連続するフレーム間の動きの表現は、ビデオの理解を大いに促進することが証明されている。 効果的な光フロー解決器であるTV-L1法は、抽出した光フローをキャッシュするために時間と費用がかかる。 UF-TSN(UF-TSN)は、軽量な非監視光フロー推定器を組み込んだ、エンドツーエンドのアクション認識手法です。
  論文  参考訳（メタデータ） (2021-03-05T04:14:32Z)
• Neural Particle Image Velocimetry [4.416484585765027]
  本稿では,この問題に適応した畳み込みニューラルネットワーク,すなわちボリューム対応ネットワーク(VCN)を紹介する。 ネットワークは、合成データと実フローデータの両方を含むデータセット上で、徹底的にトレーニングされ、テストされる。 解析の結果,提案手法は現場における他の最先端手法と同等の精度を保ちながら,効率の向上を図っている。
  論文  参考訳（メタデータ） (2021-01-28T12:03:39Z)

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。