論文の概要: Reducing Experimental Testing in Space Propulsion Film Cooling Analyses by Pixelwise Generative Image Interpolation

• arxiv url: http://arxiv.org/abs/2605.29911v1
• Date: Thu, 28 May 2026 13:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.348017
• Title: Reducing Experimental Testing in Space Propulsion Film Cooling Analyses by Pixelwise Generative Image Interpolation
• Title（参考訳）: 画像補間による宇宙推進フィルム冷却解析実験の低減
• Authors: Adam T. Müller, Philipp J. Teuffel, Konstantin Manassis, Nicolaj C. Stache,
• Abstract要約: 本稿では, 推進システム開発における膜冷却研究への提案手法の適用について述べる。 本手法では,入力パラメータによって条件付けられた画像を生成するために,位置エンコーディングを備えた軽量フィードフォワードニューラルネットワークを用いる。
• 参考スコア（独自算出の注目度）: 0.5599792629509227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a machine learning approach for image regression from sparse experimental measurements. We show the application of the proposed method on film cooling studies in propulsion system development, aiming to reduce the need for extensive physical testing. Our method employs a lightweight feed-forward neural network with positional encoding to generate images conditioned by input parameters. Validated on real and synthetic data, it achieves high image similarity (RMSE < 8 %, SSIM > 93 %) while maintaining accuracy with a 30 \% reduction of measurements. We further propose a knowledge-informed extension for local adaptability of the generated images. This approach significantly reduces required tests while preserving high-quality data, enabling efficient optimization of coolant injector configurations with applications beyond aerospace.
• Abstract（参考訳）: スパース実験による画像回帰のための機械学習手法を提案する。 提案手法が推進システム開発におけるフィルム冷却研究に応用されることを示し, 広範囲な物理試験の必要性を低減することを目的とした。 本手法では,入力パラメータによって条件付けられた画像を生成するために,位置エンコーディングを備えた軽量フィードフォワードニューラルネットワークを用いる。 実データと合成データに基づいて高い画像類似度(RMSE < 8 %, SSIM > 93 %)を達成し, 精度を30 %の精度で維持する。 さらに,生成した画像の局所的適応性に対する知識インフォームド拡張を提案する。 このアプローチは、高品質なデータを保存しながら必要なテストを大幅に削減し、空域を越えたアプリケーションによる冷却剤注入器構成の効率的な最適化を可能にする。

関連論文リスト

• Lightweight CycleGAN Models for Cross-Modality Image Transformation and Experimental Quality Assessment in Fluorescence Microscopy [0.0]
  蛍光顕微鏡(超解像STED/非畳み込みSTED)におけるモダリティ伝達のための軽量CycleGANを提案する。 U-Netベースのジェネレータの従来のチャネルダンブリング戦略を固定チャネルアプローチに置き換えることで、トレーニング可能なパラメータを418万から約9千に大幅に削減し、より高速なトレーニングとメモリ使用量の削減を実現した。
  論文  参考訳（メタデータ） (2025-10-17T12:20:18Z)
• Lightweight Cloud Masking Models for On-Board Inference in Hyperspectral Imaging [0.6775616141339018]
  雲と雲の影のマスキングは、ハイパースペクトル衛星イメージングにおける重要な前処理ステップである。 本研究では、勾配強化や畳み込みニューラルネットワーク(CNN)など、さまざまな機械学習アプローチを評価する。 機能低下を伴うCNNは最も効率的で、高い精度、低いストレージ要件、高速な推論タイムのバランスを提供する。
  論文  参考訳（メタデータ） (2025-07-10T08:10:11Z)
• Flyweight FLIM Networks for Salient Object Detection in Biomedical Images [42.763966145188625]
  本研究では,FLIMネットワークのバックプロパゲーションを伴わない拡張分離型畳み込みカーネルと多層拡散層を学習する手法を提案する。 また,カーネル冗長性とエンコーダサイズを低減するため,新しいネットワーク単純化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-15T11:57:40Z)
• DEAL: Data-Efficient Adversarial Learning for High-Quality Infrared Imaging [47.22313650077835]
  温度劣化シミュレーションをミニマックス最適化によりトレーニングプロセスに統合する。 シミュレーションは、目的関数を最大化するために動的であり、これにより、劣化したデータ分布の幅広いスペクトルをキャプチャする。 このアプローチにより、限られたデータによるトレーニングが可能になり、モデルのパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2025-03-02T14:15:44Z)
• A Lightweight GAN-Based Image Fusion Algorithm for Visible and Infrared Images [4.473596922028091]
  本稿では、可視光と赤外画像の融合に特化して設計された軽量画像融合アルゴリズムを提案する。 提案手法は,GAN (Generative Adversarial Network) において, Convolutional Block Attention Module を統合することでジェネレータを増強する。 M3FDデータセットを用いた実験により、提案アルゴリズムは、融合品質の点で類似した画像融合法より優れていることを示した。
  論文  参考訳（メタデータ） (2024-09-07T18:04:39Z)
• Application of Gated Recurrent Units for CT Trajectory Optimization [3.4916237834391874]
  本稿では, Gated Recurrent Units (GRUs) を用いたCTスキャントラジェクトリの最適化手法を提案する。 我々はコーンビームCTに焦点をあて、吸収、画素強度、コントラスト・ツー・ノイズ比、データの完全性など、プロジェクションに基づくいくつかの指標を用いている。 その結果,GRU最適化スキャントラジェクトリは,画像品質の指標から従来の円形CTトラジェクトリよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-15T13:33:23Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• Robust photon-efficient imaging using a pixel-wise residual shrinkage network [7.557893223548758]
  単光子光検出・測光(LiDAR)は、挑戦的なシナリオで3Dイメージングに広く応用されている。 収集されたデータの信号光子数と高雑音は 深度画像の正確な予測に 大きな課題をもたらしました 高雑音データからの光子効率イメージングのための画素ワイド残差縮小ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-01-05T05:08:12Z)
• FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
  画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。 我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。 実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
  論文  参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。