論文の概要: GenDA: Generative Data Assimilation on Complex Urban Areas via Classifier-Free Diffusion Guidance

• arxiv url: http://arxiv.org/abs/2601.11440v1
• Date: Fri, 16 Jan 2026 17:02:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.574497
• Title: GenDA: Generative Data Assimilation on Complex Urban Areas via Classifier-Free Diffusion Guidance
• Title（参考訳）: GenDA: 分類自由拡散誘導による複雑な都市域における生成データ同化
• Authors: Francisco Giral, Álvaro Manzano, Ignacio Gómez, Ricardo Vinuesa, Soledad Le Clainche,
• Abstract要約: GenDAは、限られた観測から非構造メッシュ上の高分解能風場を再構築する生成データ同化フレームワークである。 提案フレームワークは,複雑な領域における環境モニタリングのための生成的・幾何学的データ同化に向けて,スケーラブルな経路を提供する。
• 参考スコア（独自算出の注目度）: 5.646118100261389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban wind flow reconstruction is essential for assessing air quality, heat dispersion, and pedestrian comfort, yet remains challenging when only sparse sensor data are available. We propose GenDA, a generative data assimilation framework that reconstructs high-resolution wind fields on unstructured meshes from limited observations. The model employs a multiscale graph-based diffusion architecture trained on computational fluid dynamics (CFD) simulations and interprets classifier-free guidance as a learned posterior reconstruction mechanism: the unconditional branch learns a geometry-aware flow prior, while the sensor-conditioned branch injects observational constraints during sampling. This formulation enables obstacle-aware reconstruction and generalization across unseen geometries, wind directions, and mesh resolutions without retraining. We consider both sparse fixed sensors and trajectory-based observations using the same reconstruction procedure. When evaluated against supervised graph neural network (GNN) baselines and classical reduced-order data assimilation methods, GenDA reduces the relative root-mean-square error (RRMSE) by 25-57% and increases the structural similarity index (SSIM) by 23-33% across the tested meshes. Experiments are conducted on Reynolds-averaged Navier-Stokes (RANS) simulations of a real urban neighbourhood in Bristol, United Kingdom, at a characteristic Reynolds number of $\mathrm{Re}\approx2\times10^{7}$, featuring complex building geometry and irregular terrain. The proposed framework provides a scalable path toward generative, geometry-aware data assimilation for environmental monitoring in complex domains.
• Abstract（参考訳）: 都市風況の再現は, 風質, 熱分散, 歩行者の快適性を評価する上で不可欠であるが, センサデータが少ない場合にのみ困難である。 我々は,非構造メッシュ上の高分解能風場を限られた観測から再構成する生成データ同化フレームワークであるGenDAを提案する。 このモデルは、計算流体力学(CFD)シミュレーションに基づいて訓練されたマルチスケールグラフベースの拡散アーキテクチャを用いており、非条件分岐は事前に幾何学的認識の流れを学習し、センサ条件分岐はサンプリング中に観察的制約を注入する。 この定式化により、未確認の測地、風向、メッシュ分解能を再訓練することなく、障害物認識の再構築と一般化が可能となる。 我々は,同じ再建法を用いて,スパース固定センサと軌跡に基づく観測の両方を考察した。 教師付きグラフニューラルネットワーク(GNN)ベースラインと古典的なダウンオーダーデータ同化法に対して評価すると、GenDAは相対ルート平均二乗誤差(RRMSE)を25～57%削減し、テストメッシュ全体で構造類似度指数(SSIM)を23～33%向上させる。 英国ブリストルの実際の都市近郊のレイノルズ平均ナビエ・ストークス(RANS)シミュレーションにおいて,複雑な建物形状と不規則な地形を特徴とする,レイノルズ数$\mathrm{Re}\approx2\times10^{7}$で実験を行った。 提案フレームワークは,複雑な領域における環境モニタリングのための生成的・幾何学的データ同化に向けて,スケーラブルな経路を提供する。

関連論文リスト

• Reconstructing Multi-Scale Physical Fields from Extremely Sparse Measurements with an Autoencoder-Diffusion Cascade [38.28865883904372]
  Cascaded Sensing (Cas-Sensing)は、自動エンコーダ拡散カスケードを統合する階層的な再構築フレームワークである。 マスクカスケード戦略で訓練された条件拡散モデルにより,大規模構造物に条件付された微細な詳細情報を生成する。 シミュレーションと実世界のデータセットの両方の実験により、Cas-Sensingは様々なセンサー構成と幾何学的境界をまたいでうまく一般化することを示した。
  論文  参考訳（メタデータ） (2025-12-01T11:46:14Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Reconstruction of SINR Maps from Sparse Measurements using Group Equivariant Non-Expansive Operators [1.9692747349111241]
  グループ同変非拡張演算子(GENEOs)に基づく新しい再構成フレームワークを提案する。 我々の重要な洞察は、SINRマップのトポロジ的構造を保存するネットワーク管理は、ピクセル単位の誤差を最小限に抑えるよりも、しばしば重要であるということである。 以上の結果から,MSEは競争力を維持しつつも,トポロジカル忠実度において確立されたMLベースラインを劇的に上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-07-25T14:59:44Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• Deep Learning as Ricci Flow [38.27936710747996]
  ディープニューラルネットワーク(DNN)は、複雑なデータの分布を近似する強力なツールである。 分類タスク中のDNNによる変換は、ハミルトンのリッチ流下で期待されるものと類似していることを示す。 本研究の成果は, 微分幾何学や離散幾何学から, 深層学習における説明可能性の問題まで, ツールの利用を動機づけるものである。
  論文  参考訳（メタデータ） (2024-04-22T15:12:47Z)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• Generalization capabilities of conditional GAN for turbulent flow under changes of geometry [0.6445605125467573]
  乱流の合成モデリングのためのGAN(Generative Adversarial Network)は、この問題を克服するための数学的に確立されたアプローチである。 本研究では,GANをベースとした合成乱流発生器の流動形状に幾何的変化が発生した場合の一般化キャパビライトについて検討する。 我々は,抽出したウェイク位置の領域を拡大することにより,条件付きGANの一般化の能力と限界を示す。
  論文  参考訳（メタデータ） (2023-02-20T12:21:34Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)

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。