論文の概要: Physics-Consistent Diffusion for Efficient Fluid Super-Resolution via Multiscale Residual Correction

• arxiv url: http://arxiv.org/abs/2603.00149v1
• Date: Wed, 25 Feb 2026 03:56:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.05914
• Title: Physics-Consistent Diffusion for Efficient Fluid Super-Resolution via Multiscale Residual Correction
• Title（参考訳）: マルチスケール残差補正による高効率流体超解法のための物理抵抗拡散
• Authors: Zhihao Li, Shengwei Dong, Chuang Yi, Junxuan Gao, Zhilu Lai, Zhiqiang Liu, Wei Wang, Guangtao Zhang,
• Abstract要約: 既存の画像SRと一般的な拡散モデルは流体SRによく伝達される。 物理共存拡散フレームワークであるtextbfReMD (underlineResidual-underlineMultigrid underlineDiffusion) を用いて流体超解像(SR)に対処する。
• 参考スコア（独自算出の注目度）: 8.836667884655911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing image SR and generic diffusion models transfer poorly to fluid SR: they are sampling-intensive, ignore physical constraints, and often yield spectral mismatch and spurious divergence. We address fluid super-resolution (SR) with \textbf{ReMD} (\underline{Re}sidual-\underline{M}ultigrid \underline{D}iffusion), a physics-consistent diffusion framework. At each reverse step, ReMD performs a \emph{multigrid residual correction}: the update direction is obtained by coupling data consistency with lightweight physics cues and then correcting the residual across scales; the multiscale hierarchy is instantiated with a \emph{multi-wavelet} basis to capture both large structures and fine vortical details. This coarse-to-fine design accelerates convergence and preserves fine structures while remaining equation-free. Across atmospheric and oceanic benchmarks, ReMD improves accuracy and spectral fidelity, reduces divergence, and reaches comparable quality with markedly fewer sampling steps than diffusion baselines. Our results show that enforcing physics consistency \emph{inside} the diffusion process via multigrid residual correction and multi-wavelet multiscale modeling is an effective route to efficient fluid SR. Our code are available on https://github.com/lizhihao2022/ReMD.
• Abstract（参考訳）: 既存の画像SRと一般的な拡散モデルは、サンプリング集約であり、物理的制約を無視し、しばしばスペクトルミスマッチと急激なばらつきをもたらす。 物理に一貫性のある拡散フレームワークである \textbf{ReMD} (\underline{Re}sidual-\underline{M}ultigrid \underline{D}iffusion) を用いて流体超解像(SR)に対処する。 各逆ステップにおいて、ReMD は \emph{multigrid 残差補正を実行する:更新方向は、軽量な物理キューとデータ一貫性を結合し、その後、スケールにわたって残差を補正することで得られる;マルチスケール階層は \emph{multi-wavelet} ベースでインスタンス化され、大きな構造と微細な渦細部の両方をキャプチャする。 この粗い設計は収束を加速し、方程式のない状態で微細構造を保存する。 大気と海洋のベンチマーク全体において、ReMDは精度とスペクトルの忠実度を改善し、ばらつきを低減し、拡散ベースラインよりも著しく少ないサンプリングステップで同等の品質に達する。 この結果から, 多重グリッド残差補正とマルチウェーブレット・マルチスケール・モデリングによる拡散過程は, 効率的な流体SRへの有効な経路であることが示唆された。 私たちのコードはhttps://github.com/lizhihao2022/ReMDで公開されています。

関連論文リスト

• SCEESR: Semantic-Control Edge Enhancement for Diffusion-Based Super-Resolution [0.8122270502556375]
  現実世界の超解像は複雑な劣化と固有の再構成の曖昧さに対処しなければならない。 一段階拡散モデルは速度を提供するが、蒸留品による構造的不正確さをしばしば生み出す。 セマンティックエッジガイダンスのための制御ネット機構を用いて,一段階拡散モデルを強化する新しいSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-22T06:06:01Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• DeltaDiff: Reality-Driven Diffusion with AnchorResiduals for Faithful SR [10.790771977682763]
  拡散過程を制約する新しいフレーム・ワークであるDeltaDiffを提案する。 提案手法は最先端のモデルを超え,忠実度を向上した再侮辱を生成する。 この研究は、画像再構成タスクに拡散モデルを適用するための、新しい低ランク制約パラパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-02-18T06:07:14Z)
• MaRS: A Fast Sampler for Mean Reverting Diffusion based on ODE and SDE Solvers [12.639167101005695]
  平均回帰(MR)拡散は微分方程式(SDE)の構造を直接修飾する 現在のトレーニングフリーの高速サンプリング器はMR拡散には直接適用されない。 MR拡散のサンプリングNFEを削減するために,MARS (MR Sampler) という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T14:57:33Z)
• One Diffusion Step to Real-World Super-Resolution via Flow Trajectory Distillation [60.54811860967658]
  FluxSRはフローマッチングモデルに基づく新しい一段階拡散リアルISRである。 まず,フロートラジェクトリ蒸留(FTD)を導入し,多段階のフローマッチングモデルを1段階のリアルISRに蒸留する。 第2に、画像リアリズムを改善し、生成画像の高周波アーティファクト問題に対処するために、テレビLPIPSを知覚的損失として提案する。
  論文  参考訳（メタデータ） (2025-02-04T04:11:29Z)
• BurstM: Deep Burst Multi-scale SR using Fourier Space with Optical Flow [16.548851451690908]
  マルチフレーム超解像(MFSR)は単一画像超解像(SISR)よりも高い性能を達成する 最近のMFSRアプローチは、変形可能な畳み込みネットワーク(DCN)に適応してフレームを整列させる。 光フローを用いたフーリエ空間を用いたディープバーストマルチスケールSR(BurstM)を提案する。
  論文  参考訳（メタデータ） (2024-09-21T15:30:57Z)
• Iterative Token Evaluation and Refinement for Real-World Super-Resolution [77.74289677520508]
  実世界の画像超解像(RWSR)は、低品質(LQ)画像が複雑で未同定の劣化を起こすため、長年にわたる問題である。 本稿では,RWSRのための反復的トークン評価・リファインメントフレームワークを提案する。 ITERはGAN(Generative Adversarial Networks)よりも訓練が容易であり,連続拡散モデルよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2023-12-09T17:07:32Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Fast Diffusion Model [122.36693015093041]
  拡散モデル(DM)は、複雑なデータ分布を捉える能力を持つ様々な分野に採用されている。 本稿では,DM最適化の観点から,高速拡散モデル (FDM) を提案する。
  論文  参考訳（メタデータ） (2023-06-12T09:38:04Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。