論文の概要: Physics-Informed Temporal U-Net for High-Fidelity Fluid Interpolation

• arxiv url: http://arxiv.org/abs/2604.23372v1
• Date: Sat, 25 Apr 2026 16:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.301557
• Title: Physics-Informed Temporal U-Net for High-Fidelity Fluid Interpolation
• Title（参考訳）: 高忠実度流体補間のための物理インフォームドテンポラルU-Net
• Authors: Eshwar R. A., Nevin Mathew Thomas, Nehal G, Farida M. Begam,
• Abstract要約: 本稿では,VGGをベースとした知覚的損失と物理インフォームドブリッジを統合し,これらの問題を克服する新しい時間的U-Netアーキテクチャを提案する。 マルチチャネルRGB流体データによる実験結果から,本手法が標準モデルより明らかに優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing high-fidelity fluid dynamics from sparse temporal observations is quite challenging, mainly due to the chaotic and non-linear nature of fluid transport. Standard deep learning-based interpolation methods often tend to regress to the mean, which results in spatial blurring and temporal strobing, especially noticeable around the observed anchor frames where transitions become discontinuous. In this work, we propose a novel Temporal U-Net architecture that integrates a VGG-based perceptual loss along with a Physics-Informed Bridge to overcome these issues. By introducing time-weighted feature blending and enforcing a parabolic boundary condition defined by t(1 - t), the model ensures smooth transitions while also maintaining perfect consistency at the endpoints. Experimental results on multi-channel RGB fluid data show that our method clearly outperforms standard models, both in terms of structural fidelity and texture preservation. In particular, the model achieves a Mean Absolute Error of 0.015, compared to 0.085 for a standard L1 baseline. Further Spatial Power Spectral Density (PSD) analysis reveals that the model is able to retain high-frequency turbulent details that are usually lost in deterministic reconstructions.
• Abstract（参考訳）: 疎時間観測から高忠実度流体力学を再構築することは、主に流体輸送のカオス的・非線形的性質のために非常に困難である。 標準的な深層学習に基づく補間法は平均に回帰する傾向があり、特に遷移が不連続になる観測アンカーフレームの周囲で、空間的ぼやけや時間的ストロボ化が生じる。 本稿では,VGGに基づく知覚損失と物理インフォームドブリッジを統合し,これらの課題を克服する,新しい時間的U-Netアーキテクチャを提案する。 時間重み付き特徴ブレンディングを導入し、t(1 - t)で定義された放物的境界条件を強制することにより、モデルがスムーズな遷移を保証し、エンドポイントにおける完全整合性を維持する。 マルチチャネルRGB流体データによる実験結果から,本手法は構造的忠実度とテクスチャ保存の両面で,標準モデルよりも明らかに優れていることが示された。 特に、標準L1ベースラインの0.085に比べ、平均絶対誤差は0.015である。 さらなる空間パワースペクトル密度(PSD)分析により、このモデルは通常決定論的再構成で失われる高周波乱流の詳細を保持することができることが明らかになった。

関連論文リスト

• AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction [0.0]
  AeTHERONは共有高次元潜在空間における非線形流体-構造結合を学習する。 AeTHERONは、大規模渦トポロジーとウェイク構造を定性的忠実度で捉えている。 推論には1つのGPUで1時間に1ミリ秒かかるが、同等のDNS計算では数時間かかる。
  論文  参考訳（メタデータ） (2026-04-15T00:31:20Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• WADEPre: A Wavelet-based Decomposition Model for Extreme Precipitation Nowcasting with Multi-Scale Learning [10.39382090254482]
  WADEPre はウェーブレットに基づく極度の降水に対する分解モデルであり、モデリングをウェーブレット領域に遷移させる。 SEVIRとShanghai Radarデータセットの実験は、WADEPreが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-02T13:40:57Z)
• Towards Stable and Structured Time Series Generation with Perturbation-Aware Flow Matching [16.17115009663765]
  安定かつ構造的に一貫した時系列生成を保証するために、摂動軌道をモデル化するフレームワークである textbfPAFM を導入する。 このフレームワークは摂動誘導訓練を取り入れ、局所的な乱れをシミュレートし、二経路速度場を利用して摂動下での軌道偏差を捉える。 非条件および条件生成タスクの両方の実験において、PAFMは強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-18T13:30:56Z)
• A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
  従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-16T03:06:44Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)

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。