論文の概要: Vector Field Synthesis with Sparse Streamlines Using Diffusion Model
- arxiv url: http://arxiv.org/abs/2604.09838v1
- Date: Fri, 10 Apr 2026 19:10:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.702548
- Title: Vector Field Synthesis with Sparse Streamlines Using Diffusion Model
- Title（参考訳）: 拡散モデルを用いたスパースストリームラインを用いたベクトル場合成
- Authors: Nguyen K. Phan, Ricardo Morales, Sebastian D. Espriella, Guoning Chen,
- Abstract要約: スパース,コヒーレントな入力(ストリームライン)から2次元ベクトル場を合成するための新しい拡散に基づくフレームワークを提案する。
本手法では,非分類化誘導を用いた条件付き拡散確率モデルを用いて,幾何的制約と物理的制約の両方を保持するプログレッシブ再構成を実現する。
実験により, 物理法則に従属する可塑性ベクトル場を合成し, 特異な入力観測に忠実さを保ちながら合成できることが実証された。
- 参考スコア（独自算出の注目度）: 2.48490797934472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel diffusion-based framework for synthesizing 2D vector fields from sparse, coherent inputs (i.e., streamlines) while maintaining physical plausibility. Our method employs a conditional denoising diffusion probabilistic model with classifier-free guidance, enabling progressive reconstruction that preserves both geometric and physical constraints. Experimental results demonstrate our method's ability to synthesize plausible vector fields that adhere to physical laws while maintaining fidelity to sparse input observations, outperforming traditional optimization-based approaches in terms of flexibility and physical consistency.
- Abstract（参考訳）: 本稿では,2次元ベクトル場をスパース,コヒーレントな入力(すなわち流線型)から物理的妥当性を維持しつつ合成する新しい拡散型フレームワークを提案する。
本手法では,非分類化誘導を用いた条件付き拡散確率モデルを用いて,幾何的制約と物理的制約の両方を保持するプログレッシブ再構成を実現する。
実験により, 物理法則に従属する可塑性ベクトル場を合成し, 入力観測の疎度を維持しつつ, フレキシビリティと物理的整合性の観点から従来の最適化に基づくアプローチより優れていることを示す。
関連論文リスト
- EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - Discrete Diffusion with Sample-Efficient Estimators for Conditionals [2.7400724993677703]
本研究では, 単点条件のサンプル効率推定とラウンドロビンのノイズ発生とデノナイジングのダイナミックスを統合した離散的デノナイジング拡散フレームワークについて検討する。
拡散力学におけるこれらの条件を推定するために,NeurISE (Neur Interaction Screening Estimator) と呼ばれる試料効率のよい手法を用いる。
合成イジングモデル、MNIST、D-Wave量子アニール、合成ポッツモデルおよび1次元量子システムによって生成された科学データセットに関する制御された実験は、提案手法を実証している。
論文 参考訳（メタデータ） (2026-02-23T19:20:37Z) - Optimal and Diffusion Transports in Machine Learning [21.689846521201588]
機械学習における問題は、時間進化確率分布の設計と解析として自然に表される。
本研究は,拡散法と最適輸送の2つの相補的アプローチの概要を示す。
我々は、サンプリング、ニューラルネットワーク最適化、大規模言語モデルのためのトランスフォーマーのダイナミクスのモデリングなど、両方のアプローチがアプリケーションにどのように現れるかを説明する。
論文 参考訳（メタデータ） (2025-12-07T11:25:32Z) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳（メタデータ） (2024-02-05T22:18:16Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z)
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。