論文の概要: GS-Surrogate: Deformable Gaussian Splatting for Parameter Space Exploration of Ensemble Simulations

• arxiv url: http://arxiv.org/abs/2604.06358v1
• Date: Tue, 07 Apr 2026 18:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.184789
• Title: GS-Surrogate: Deformable Gaussian Splatting for Parameter Space Exploration of Ensemble Simulations
• Title（参考訳）: GS-Surrogate:エンサンブルシミュレーションのパラメータ空間探索のための変形可能なガウス散乱
• Authors: Ziwei Li, Rumali Perera, Angus Forbes, Ken Moreland, Dave Pugmire, Scott Klasky, Wei-Lun Chao, Han-Wei Shen,
• Abstract要約: パラメータ空間探索のための変形可能なガウス平滑型可視化サロゲートであるGS-Surrogateを紹介する。 この明示的な定式化は、シミュレーションに関連したバリエーションを可視化固有の変化から分離することにより、異なる可視化タスクへの効率的かつ制御可能な適応を可能にする。 我々は,GS-Surrogateがシミュレーションパラメータ空間と可視化パラメータ空間の両方をリアルタイムかつフレキシブルに探索できることを示す。
• 参考スコア（独自算出の注目度）: 43.85684509617906
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Exploring ensemble simulations is increasingly important across many scientific domains. However, supporting flexible post-hoc exploration remains challenging due to the trade-off between storing the expensive raw data and flexibly adjusting visualization settings. Existing visualization surrogate models have improved this workflow, but they either operate in image space without an explicit 3D representation or rely on neural radiance fields that are computationally expensive for interactive exploration and encode all parameter-driven variations within a single implicit field. In this work, we introduce GS-Surrogate, a deformable Gaussian Splatting-based visualization surrogate for parameter-space exploration. Our method first constructs a canonical Gaussian field as a base 3D representation and adapts it through sequential parameter-conditioned deformations. By separating simulation-related variations from visualization-specific changes, this explicit formulation enables efficient and controllable adaptation to different visualization tasks, such as isosurface extraction and transfer function editing. We evaluate our framework on a range of simulation datasets, demonstrating that GS-Surrogate enables real-time and flexible exploration across both simulation and visualization parameter spaces.
• Abstract（参考訳）: アンサンブルシミュレーションの探索は多くの科学分野においてますます重要になっている。 しかし、高価な生データの保存と、フレキシブルな視覚化設定の調整とのトレードオフのため、フレキシブルなポストホック探索のサポートは依然として困難である。 既存の可視化サロゲートモデルは、このワークフローを改善したが、明示的な3D表現なしで画像空間で操作するか、インタラクティブな探索に計算コストがかかるニューラルラディアンスフィールドに依存し、単一の暗黙のフィールド内でパラメータ駆動のバリエーションをすべてエンコードする。 本研究では,パラメータ空間探索のための変形可能なガウススプラッティングに基づく可視化サロゲートであるGS-Surrogateを紹介する。 提案手法はまず, 標準ガウス場を基本3次元表現として構築し, 逐次パラメータ条件変形により適応する。 この明示的な定式化は、シミュレーション関連のバリエーションを可視化固有の変化から分離することにより、等表面抽出や転送関数の編集など、異なる可視化タスクへの効率的かつ制御可能な適応を可能にする。 我々は,GS-Surrogateがシミュレーションパラメータ空間と可視化パラメータ空間の両方をリアルタイムかつフレキシブルに探索できることを示す。

関連論文リスト

• A Latent Representation Learning Framework for Hyperspectral Image Emulation in Remote Sensing [2.607903424600012]
  本稿では,ハイパースペクトルデータの潜在表現を学習するハイパースペクトルエミュレーションのための潜在表現に基づくフレームワークを提案する。 提案手法は、スペクトルレベルと空間スペクトルエミュレーションの両方をサポートし、直接1段階の定式化や2段階の戦略で訓練することができる。 PROSAILシミュレーション植生データとSentinel-3 OLCI画像による実験により,本手法が古典的回帰型エミュレータより優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-23T12:32:09Z)
• Bridging Simulation and Reality: Cross-Domain Transfer with Semantic 2D Gaussian Splatting [60.513168855890974]
  ロボット操作におけるクロスドメイン転送は、シミュレートされた環境と実世界の環境の間に大きなドメインギャップがあるため、長年にわたる課題である。 本研究では,オブジェクト中心の領域不変空間特徴を抽出する新しい表現法であるSemantic 2D Gaussian Splatting (S2GS)を提案する。 S2GSはsim-to-real転送性を大幅に改善し、現実世界のシナリオで高安定なタスク性能を維持する。
  論文  参考訳（メタデータ） (2025-12-04T12:16:15Z)
• ParamsDrag: Interactive Parameter Space Exploration via Image-Space Dragging [10.860159623360842]
  ParamsDragは、ビジュアライゼーションと直接対話することでパラメータ空間の探索を容易にするモデルである。 第一に、ParamsDragの生成成分は、入力シミュレーションパラメータに基づいて視覚化を生成する。 第2に、可視化において構造関連機能を直接ドラッグすることで、ユーザーは異なるパラメータの制御効果を直感的に理解することができる。 第三に、初期のステップから理解することで、ユーザはParamsDragを操り、ダイナミックな視覚的な結果を生み出すことができる。
  論文  参考訳（メタデータ） (2024-07-19T08:12:41Z)
• GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
  本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。 物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。 本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。 抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-06-21T07:37:17Z)
• Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
  我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。 我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。 本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-06-06T07:34:58Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• GNN-Surrogate: A Hierarchical and Adaptive Graph Neural Network for Parameter Space Exploration of Unstructured-Mesh Ocean Simulations [8.851780016570311]
  本研究では,海洋気候シミュレーションのパラメータ空間を探索するグラフニューラルネットワークに基づく代理モデルを提案する。 GNN-Surrogateは与えられたシミュレーションパラメータで出力フィールドを予測する。 GNN-Surrogateの有効性と有効性を示すため,MPAS-Oceanシミュレーションの評価を行った。
  論文  参考訳（メタデータ） (2022-02-18T01:51:09Z)

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。