論文の概要: Real-time prediction of workplane illuminance distribution for daylight-linked controls using non-intrusive multimodal deep learning

• arxiv url: http://arxiv.org/abs/2512.14058v1
• Date: Tue, 16 Dec 2025 03:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.576967
• Title: Real-time prediction of workplane illuminance distribution for daylight-linked controls using non-intrusive multimodal deep learning
• Title（参考訳）: 非侵入型マルチモーダル深層学習を用いた日光リンク制御のための作業面照度分布のリアルタイム予測
• Authors: Zulin Zhuang, Yu Bian,
• Abstract要約: 本研究では,室内作業面の照度分布をリアルタイムで予測する多モード深層学習フレームワークを提案する。 内部画素ではなく、サイドライトウィンドウ領域からのみ画像の特徴を抽出することにより、動的に占有された屋内空間にそのアプローチが適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Daylight-linked controls (DLCs) have significant potential for energy savings in buildings, especially when abundant daylight is available and indoor workplane illuminance can be accurately predicted in real time. Most existing studies on indoor daylight predictions were developed and tested for static scenes. This study proposes a multimodal deep learning framework that predicts indoor workplane illuminance distributions in real time from non-intrusive images with temporal-spatial features. By extracting image features only from the side-lit window areas rather than interior pixels, the approach remains applicable in dynamically occupied indoor spaces. A field experiment was conducted in a test room in Guangzhou (China), where 17,344 samples were collected for model training and validation. The model achieved R2 > 0.98 with RMSE < 0.14 on the same-distribution test set and R2 > 0.82 with RMSE < 0.17 on an unseen-day test set, indicating high accuracy and acceptable temporal generalization.
• Abstract（参考訳）: 日光リンク制御(DLC)は、特に日光が豊富で室内の作業面の照度がリアルタイムで正確に予測できる場合、建物内の省エネに重要な可能性を持っている。 室内の日光予測に関する既存の研究はほとんどが静的な場面で開発され、試験された。 本研究では,時間空間特徴を持つ非侵襲画像から室内作業面の照度分布をリアルタイムに予測する多モード深層学習フレームワークを提案する。 内部画素ではなく、サイドライトウィンドウ領域からのみ画像の特徴を抽出することにより、動的に占有された屋内空間にそのアプローチが適用できる。 広州(中国)の試験室で現地実験を行い、17,344個のサンプルを採取し、モデルトレーニングと検証を行った。 R2 > 0.98 は RMSE < 0.14 で、R2 > 0.82 は RMSE < 0.17 で、高い精度と許容時間一般化を示す。

関連論文リスト

• Lighting the Night with Generative Artificial Intelligence [12.565202991911411]
  夜間の可視光の欠如により、可視光反射データを用いて日中連続的な気象観測を行うことは不可能である。 我々は,0.47mumathrmm,0.65mumathrmm,0.825mumathrmm帯の夜間可視光反射発生を可能にするRefDiffと呼ばれる高精度可視光反射生成モデルを開発した。
  論文  参考訳（メタデータ） (2025-06-26T03:21:08Z)
• See through the Dark: Learning Illumination-affined Representations for Nighttime Occupancy Prediction [20.14637361013267]
  LIARは照明に適応した表現を学習する新しいフレームワークである。 実データと合成データの両方の実験は、挑戦的な夜間シナリオ下でのLIARの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-27T02:40:49Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• A Semi-supervised Nighttime Dehazing Baseline with Spatial-Frequency Aware and Realistic Brightness Constraint [19.723367790947684]
  実世界における夜間脱ハージングのための半教師付きモデルを提案する。 まず、空間的注意と周波数スペクトルフィルタリングを、空間周波数領域情報相互作用モジュールとして実装する。 第2に、半教師付きトレーニングプロセスにおける擬似ラベルに基づくリトレーニング戦略と局所窓ベースの輝度損失は、迷路や光を抑制するように設計されている。
  論文  参考訳（メタデータ） (2024-03-27T13:27:02Z)
• Beyond Night Visibility: Adaptive Multi-Scale Fusion of Infrared and Visible Images [49.75771095302775]
  赤外線および可視画像を用いた適応型マルチスケール核融合ネットワーク(AMFusion)を提案する。 まず、赤外画像と可視画像から空間的特徴と意味的特徴を分離し、前者が光分布の調整に使用される。 第2に,事前学習したバックボーンから抽出した検出機能を利用して,意味的特徴の融合を誘導する。 第3に、通常の光強度で融合画像を制約する新しい照明損失を提案する。
  論文  参考訳（メタデータ） (2024-03-02T03:52:07Z)
• CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment [86.97592472794724]
  そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。 提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。 提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-28T17:53:46Z)
• Sparse Needlets for Lighting Estimation with Spherical Transport Loss [89.52531416604774]
  NeedleLightは、新しい照明推定モデルであり、必要に応じて照明を表現し、周波数領域と空間領域を共同で照明推定することができる。 大規模な実験により、NeedleLightは、最先端の手法と比較して、複数の評価指標で常に優れた照明推定を実現していることがわかった。
  論文  参考訳（メタデータ） (2021-06-24T15:19:42Z)
• Spatially-Varying Outdoor Lighting Estimation from Intrinsics [66.04683041837784]
  本稿では,空間変動型屋外照明推定のためのニューラルネットワークSOLID-Netを提案する。 グローバルスカイ環境マップとワープ画像情報を組み合わせて,空間変動する局所照明環境マップを生成する。 合成データセットと実データセットの両方の実験は、SOLID-Netが以前の方法を大幅に上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-04-09T02:28:54Z)

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。