論文の概要: FLUIDSPLAT: Reconstructing Physical Fields from Sparse Sensors via Gaussian Primitives

• arxiv url: http://arxiv.org/abs/2605.18866v1
• Date: Fri, 15 May 2026 09:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.750947
• Title: FLUIDSPLAT: Reconstructing Physical Fields from Sparse Sensors via Gaussian Primitives
• Title（参考訳）: FLUIDSPLAT:ガウスプリミティブによるスパースセンサからの物理場再構築
• Authors: Huaxi Huang, Meng Li, Zhengqing Gao, Xi Zhou, Xiaoshui Huang, Xiao Sun,
• Abstract要約: センサ条件付きモデルであるFLUIDSPLATを導入する。 標準的なシリンダーフローベンチマークでは、FLUIDSPLATは全ての表面センサレイアウトで最高の平均誤差を達成する。
• 参考スコア（独自算出の注目度）: 31.072122193693854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing continuous flow fields from sparse surface-mounted sensors is central to aerodynamic design, flow control, and digital-twin instrumentation. Existing neural methods for this task typically encode sensor readings into implicit latent codes with little spatial interpretability and limited formal guidance on how representational capacity should scale with observation count. Inspired by 3D Gaussian Splatting, we introduce FLUIDSPLAT, a sensor-conditioned model that predicts K anisotropic Gaussian primitives forming a partition-of-unity scaffold, a spatially explicit and interpretable intermediate representation of the flow. For an idealized Gaussian primitive estimator, we prove an $O(K^{-s/d})$ approximation rate for fields with Sobolev smoothness $s$; incorporating $N$ noisy observations yields a squared-risk decomposition with bias $O(K^{-2s/d})$ and variance $O(σ^{2}K/N)$.Balancing the two yields $K^{*}\!\sim\!(N/σ^{2})^{d/(2s+d)}$: primitive count cannot grow freely under sparse sensing, revealing a variance bottleneck that motivates complementing the scaffold with a state-conditioned residual decoder. On a standard cylinder-flow benchmark, FLUIDSPLAT achieves the best mean error across all surface-sensor layouts; on AirfRANS with 8 surface-pressure sensors, it reduces error by 11-23% over the strongest baseline across three standard splits.
• Abstract（参考訳）: スパース表面搭載センサから連続流れ場を再構築することは、空力設計、フロー制御、デジタルツイン・インスツルメンテーションの中心である。 このタスクの既存のニューラルネットワークは、通常、センサーの読み取りを空間的解釈可能性の少ない暗黙の潜伏符号にエンコードし、観測数で表現能力をどのようにスケールするかに関する正式なガイダンスを制限している。 フローの空間的明示的かつ解釈可能な中間表現である分割・オブ・ユニティスキャフォールドを形成するK異方性ガウス原始体を予測するセンサ条件付きモデルFLUIDSPLATを導入する。 理想化されたガウス原始推定器に対して、ソボレフ滑らか度$s$の体に対する$O(K^{-s/d})$近似率を証明し、$N$ノイズ観測を組み込むことで、バイアス$O(K^{-2s/d})$と分散$O(σ^{2}K/N)$の2乗リスク分解が得られる。 両者のバランスをとると$K^{*}\! ようこそ! (N/σ^{2})^{d/(2s+d)}$: プリミティブカウントはスパースセンシングでは自由に成長できない。 標準的なシリンダーフローベンチマークでは、FLUIDSPLATは、すべての表面センサーレイアウトで最高の平均誤差を達成する。

関連論文リスト

• ReSplat: Learning Recurrent Gaussian Splats [98.14472247275512]
  ReSplatはフィードフォワードリカレントガウシアンスプラッティングモデルであり、明示的に勾配を計算せずに3Dガウシアンを反復的に洗練する。 我々は16倍のサブサンプル空間で動作するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16倍のガウスモデルを生成する。 提案手法は,ガウス数を大幅に削減し,レンダリング速度を向上させるとともに,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:59Z)
• GaussianFlowOcc: Sparse and Weakly Supervised Occupancy Estimation using Gaussian Splatting and Temporal Flow [1.5129569747339653]
  職業推定は3次元コンピュータビジョンにおいて顕著な課題となっている。 本稿では,GaussianFlowOccと呼ばれる,新規な占有率推定手法を提案する。 ガウススプラッティングにインスパイアされ、伝統的な密度の強いボクセル格子をスパース3Dガウス表現に置き換える。
  論文  参考訳（メタデータ） (2025-02-24T16:16:01Z)
• GaussianFormer-2: Probabilistic Gaussian Superposition for Efficient 3D Occupancy Prediction [55.60972844777044]
  3Dセマンティック占有予測は、堅牢な視覚中心の自律運転において重要な課題である。 既存のほとんどの手法は、密度の高いグリッドベースのシーン表現を利用しており、運転シーンの空間的空間性を見渡している。 本稿では,各ガウス分布をその周辺領域の確率分布として解釈する確率論的ガウス重ね合わせモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-05T17:59:58Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• MVSplat: Efficient 3D Gaussian Splatting from Sparse Multi-View Images [102.7646120414055]
  入力としてスパースなマルチビュー画像を与えられたMVSplatは、クリーンなフィードフォワード3Dガウスを予測できる。 大規模RealEstate10KとACIDベンチマークでは、MVSplatは高速フィードフォワード推論速度(22fps)で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-21T17:59:58Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Gravitational-wave parameter estimation with autoregressive neural network flows [0.0]
  深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。 正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。 可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
  論文  参考訳（メタデータ） (2020-02-18T15:44:04Z)

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。