論文の概要: (HB-ARFM) History-Bootstrapped Flow Matching for Inverse Boiling Reconstruction
- arxiv url: http://arxiv.org/abs/2606.00349v1
- Date: Fri, 29 May 2026 20:39:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.305987
- Title: (HB-ARFM) History-Bootstrapped Flow Matching for Inverse Boiling Reconstruction
- Title（参考訳）: (HB-ARFM) 逆沸騰再建のための履歴ブートストラップフローマッチング
- Abstract要約: 部分可観測性を考慮した逆再構成のための履歴型自己回帰流マッチング(HB-ARFM)を提案する。
HB-ARFMは, 他のモデルが故障した場合の物理的, 時間的に有効な再構成を生成する。
- 参考スコア（独自算出の注目度）: 1.8533609637417354
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reconstructing spatiotemporal fields from partial observations is fundamental to scientific inference, from inferring atmospheric states from satellite data to recovering fluid states from imaging. When observations are incomplete, the inverse problem is fundamentally ill-posed: even when the underlying PDE dynamics are Markovian in the full state, partial observation operators induce a non-Markovian posterior that cannot be resolved from a single timestep. We propose a history-bootstrapped autoregressive flow matching (HB-ARFM) for spatiotemporal inverse reconstruction under partial observability. Observation history bootstraps the initial reconstruction via conditional flow matching, reducing ambiguities. The same conditional transport model is then applied autoregressively, conditioning on both new observations and past predictions to propagate the reconstruction forward in time. We evaluate the method on boiling dynamics reconstruction, recovering full velocity and temperature fields from interface geometry and motion. Across two inverse tasks with varying observation sparsity, HB-ARFM produces physically and temporally valid reconstructions where other models fail.
- Abstract（参考訳）: 部分的な観測から時空間を再構成することは、衛星データから大気状態の推測から、画像から流体状態の回復まで、科学的な推測の基礎となる。
観測が不完全であるとき、逆問題は基本的に不完全である: 基礎となるPDE力学が完全状態のマルコフ力学であっても、部分観測作用素は1つの時間ステップから解決できない非マルコフ後部を誘導する。
部分可観測性を考慮した時空間逆再構成のための履歴型自己回帰流マッチング(HB-ARFM)を提案する。
観測履歴は条件付きフローマッチングによって初期再構成をブートストラップし、曖昧さを低減させる。
そして、同じ条件付き輸送モデルが自己回帰的に適用され、新しい観測と過去の予測の両方を条件付け、時間内に復元を伝播させる。
界面形状と運動から全速度, 温度場を復元し, 沸騰力学の再現法を評価する。
HB-ARFMは他のモデルが失敗する物理的かつ時間的に有効な再構成を生成する。
関連論文リスト
- Physical-State-Guided Diffusion Sampling for Full-Waveform Inversion [3.497341516063219]
物理状態誘導拡散サンプリング(PSG)を提案する。
PSGはガウス橋を経由する前の拡散に永続的な物理的速度を結合する。
4つのOpenFWIファミリーにおいて、PSGの端末は古典的および拡散的ベースラインよりも優れた推定値を示した。
論文 参考訳（メタデータ） (2026-09-11T14:25:42Z) - EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳（メタデータ） (2026-06-25T16:53:30Z) - Accelerating Bayesian inverse design in computational fluid dynamics using neural operators [0.24554686192257422]
後部構造を保ちながらMCMC推論ループに直接神経オペレーターを埋め込むことができることを示す。
完全に観察された間、代理ベースの推論はCFD参照の後方幾何学と不確実性傾向を再現する。
論文 参考訳（メタデータ） (2026-05-25T17:18:18Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-19T04:40:50Z) - Machine Learning-Augmented Acceleration of Iterative Ptychographic Reconstruction [56.83110460392765]
反復画像再構成アルゴリズムはコヒーレント・ディファレント・ディファレント・イメージングに広く用いられている。
本稿では, 反復的画像再構成を高速化する機械学習によるアプローチを提案する。
論文 参考訳（メタデータ） (2026-05-01T21:46:58Z) - Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge [22.765803648152357]
LF ( Full-grid Low-grid) シミュレーションは、マルチフィデリティ設定において有益な事前情報を提供する。
生成モデルを用いた償却再構成が提案されているが、そのようなアプローチは訓練中のフルフィールドHF監督に依存している。
そこで本研究では,提案するPhysical-In Conditional Schrdinger Bridge (PICSB)を提案する。
論文 参考訳（メタデータ） (2026-03-20T10:05:55Z) - SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。
本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
論文 参考訳（メタデータ） (2026-03-16T02:55:14Z) - Knowledge-Informed Kernel State Reconstruction for Interpretable Dynamical System Discovery [46.9843470803458]
MAAT (Model Aware Approximation of Trajectories) は知識情報に基づくカーネル状態再構成に基づくシンボル発見のためのフレームワークである。
下流のシンボルレグレッションで用いられる軌道や微分に対する状態推定MSEを著しく低減する。
論文 参考訳（メタデータ） (2026-01-29T21:15:52Z) - Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。
我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。
我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
論文 参考訳（メタデータ） (2024-10-17T20:53:04Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳（メタデータ） (2022-03-08T02:25:38Z) - Constraining subglacial processes from surface velocity observations
using surrogate-based Bayesian inference [0.0]
基底運動は、南極の外での氷の流束の主要なメカニズムであるが、それを予測するための広く適用可能なモデルである。
これは、小規模のベッド特性の観察と、基底運動が依存する時間変化水圧の予測の両方が困難であるためである。
我々は、グリーンランド南西部の表面速度の観測に基づく氷力学と氷下水理の結合モデルと条件付けにより、これらの問題にベイズ的アプローチを採っている。
論文 参考訳（メタデータ） (2020-06-22T16:47:33Z)
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。