論文の概要: Physics-Informed Synthetic Dataset and Denoising TIE-Reconstructed Phase Maps in Transient Flows Using Deep Learning
- arxiv url: http://arxiv.org/abs/2604.10610v1
- Date: Sun, 12 Apr 2026 12:32:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.132383
- Title: Physics-Informed Synthetic Dataset and Denoising TIE-Reconstructed Phase Maps in Transient Flows Using Deep Learning
- Title（参考訳）: 深層学習を用いた過渡流中の物理インフォームド合成データセットとTIE再構成位相マップ
- Authors: Krishna Rajput, Vipul Gupta, Sudheesh K. Rajput, Yasuhiro Awatsuji,
- Abstract要約: 物理的に可塑性ガス流形態を用いてクリーンターゲットを手続き的に生成する物理インフォームド・シンセサイザー・トレーニングデータセットを開発した。
この合成データのみに基づいてトレーニングされたU-Netベースの畳み込みデノベーションネットワークを,25,000fpsで取得した実位相マップ上で評価する。
13,260%の信号/バックグラウンド比の改善、100.8%のジェット領域構造シャープネスの改善。
- 参考スコア（独自算出の注目度）: 2.1263870187953073
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: High-speed quantitative phase imaging enables non-intrusive visualization of transient compressible gas flows and energetic phenomena. However, phase maps reconstructed via the transport of intensity equation (TIE) suffer from spatially correlated low-frequency artifacts introduced by the inverse Laplacian solver, which obscure meaningful flow structures such as jet plumes, shockwave fronts, and density gradients. Conventional filtering approaches fail because signal and noise occupy overlapping spatial frequency bands, and no paired ground truth exists since every frame represents a physically unique, non-repeatable flow state. We address this by developing a physics-informed synthetic training dataset where clean targets are procedurally generated using physically plausible gas flow morphologies, including compressible jet plumes, turbulent eddy fields, density fronts, periodic air pockets, and expansion fans, and passed through a forward TIE simulation followed by inverse Laplacian reconstruction to produce realistic noisy phase maps. A U-Net-based convolutional denoising network trained solely on this synthetic data is evaluated on real phase maps acquired at 25,000 fps, demonstrating zero-shot generalization to real parallel TIE recordings, with a 13,260% improvement in signal-to-background ratio and 100.8% improvement in jet-region structural sharpness across 20 evaluated frames.
- Abstract（参考訳）: 高速な定量的位相イメージングにより、過渡圧縮性ガスの流れとエネルギー現象の非侵襲的な可視化が可能になる。
しかし, 強度方程式 (TIE) の輸送により再構成された位相写像は, 逆ラプラシア解法によって導入された空間的に相関した低周波アーチファクトに悩まされ, ジェットプラム, 衝撃波面, 密度勾配などの不明瞭な流れ構造が生じる。
従来のフィルタリング手法は、信号とノイズが重なり合う空間周波数帯を占有しているため失敗し、全てのフレームが物理的に一意で再生不能なフロー状態を示すため、ペア化された基底真理は存在しない。
本研究では, 圧縮可能な噴流管, 乱流渦場, 密度前線, 周期的エアポケット, 膨張ファンなど, 物理的に可塑性ガス流形態を用いてクリーンな目標を手続き的に生成し, 前方TIEシミュレーションを経て, 逆ラプラシアン再構成を行い, 現実的なノイズ位相マップを生成する。
この合成データのみに基づいてトレーニングされたU-Netベースの畳み込み畳み込みネットワークを、25,000fpsで取得した実位相マップ上で評価し、実並列TIE記録へのゼロショット一般化を実証し、信号-背景比が13.260%向上し、20個の評価フレームにわたるジェット圏構造的シャープネスが100.8%向上した。
関連論文リスト
- mmWave-Diffusion:A Novel Framework for Respiration Sensing Using Observation-Anchored Conditional Diffusion Model [5.8085169131571215]
mmWave拡散(mmWave-Diffusion)は、観測による条件付き拡散フレームワークである。
付随するレーダー拡散変換器(RDT)は、位相観測で明確に条件付けされている。
13.25時間の同期レーダー呼吸データに基づいて評価した。
論文 参考訳（メタデータ） (2026-03-21T07:52:18Z) - Data-Free PINNs for Compressible Flows: Mitigating Spectral Bias and Gradient Pathologies via Mach-Guided Scaling and Hybrid Convolutions [0.0]
本稿では,圧縮不能なインビシッドフローを解くことができる完全データフリーな物理情報ニューラルネットワーク(PINN)を提案する。
提案するフレームワークは,参照データなしで離弓衝撃を捕捉する。
論文 参考訳（メタデータ） (2026-03-01T09:04:18Z) - DiffSOS: Acoustic Conditional Diffusion Model for Speed-of-Sound Reconstruction in Ultrasound Computed Tomography [2.6915545700357986]
音響波形を直接SoSマップにマッピングする条件拡散モデルDiffSOSを提案する。
本フレームワークでは,物理波計測におけるデノナイジング過程の基盤として,特殊音響制御ネットを用いている。
我々は,我々のフレームワークの生成特性を利用して画素単位の不確実性を推定し,信頼性の尺度を提供する。
論文 参考訳（メタデータ） (2026-02-27T23:51:16Z) - HFNO: an interpretable data-driven decomposition strategy for turbulent flows [0.0]
乱流の低次モデリングに適した新しいFNOアーキテクチャを提案する。
提案したアーキテクチャは、波数ビンを並列に処理し、分散関係と非線形相互作用の近似を可能にする。
より複雑な力学系における提案モデルの評価を行った。
論文 参考訳（メタデータ） (2025-11-03T12:57:19Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Generalizable Holographic Reconstruction via Amplitude-Only Diffusion Priors [48.96607421052462]
インラインホログラフィーにおける位相検索は、コヒーレントイメージングにおける振幅と位相の非線形結合に起因する基本的な不適切な逆問題である。
本稿では,物体振幅のみを訓練した拡散モデルを用いて,回折強度から振幅と位相の両方を復元する手法を提案する。
論文 参考訳（メタデータ） (2025-09-16T06:36:08Z) - DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。
DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
論文 参考訳（メタデータ） (2025-01-08T09:08:24Z) - FCDM: A Physics-Guided Bidirectional Frequency Aware Convolution and Diffusion-Based Model for Sinogram Inpainting [14.043383277622874]
フルビューのシノグラムは高い放射線線量と長いスキャン時間を必要とする。
スパースビューCTは、この負担を軽減するが、構造的な信号損失を伴う不完全なシノグラムを生じる。
本研究では,Ninogram に適した拡散型フレームワークであるmodelnameを提案する。
論文 参考訳（メタデータ） (2024-08-26T12:31:38Z) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳（メタデータ） (2022-07-20T17:09:16Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z)
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。