Fugu-MT 論文翻訳(概要): Inpainting U-Net for seamless pedestrian-level wind prediction across urban morphologies

論文の概要: Inpainting U-Net for seamless pedestrian-level wind prediction across urban morphologies

arxiv url: http://arxiv.org/abs/2607.02560v1
Date: Sun, 28 Jun 2026 15:11:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.32152
Title: Inpainting U-Net for seamless pedestrian-level wind prediction across urban morphologies
Title（参考訳）: 都市形態を横断するシームレスな歩行者レベルの風速予測のための塗装U-Net
Abstract要約: 本研究では,現実的な都市形態よりも歩行者レベルの風速を効率的に予測するための2段階のU-Netフレームワークを開発した。その結果、M1は歩行者レベルの風速の主空間分布を捉え、低速度・中速度領域でよく機能することがわかった。提案フレームワークは,現実的な都市形態を横断する高分解能歩行者レベルの風速予測のための,効率的かつ柔軟な代理モデルを提供する。
参考スコア（独自算出の注目度）: 4.890956388445967
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pedestrian-level wind prediction is essential for urban design and wind-comfort assessment, but high-fidelity simulations such as LES remain computationally expensive for rapid evaluation. This study develops a two-stage U-Net framework for efficient prediction of time-averaged pedestrian-level wind speed over realistic urban morphologies. The model is trained and evaluated using the UrbanTALES dataset, which contains realistic city configurations under different approaching wind directions. In the first stage, a baseline U-Net model (M1) predicts wind fields patch-by-patch from normalised building height and fetch information. This formulation allows application to urban domains of arbitrary size, but independent patch inference can introduce discontinuities at patch boundaries. To address this, a second U-Net model (M2) is introduced as an inpainting-based refinement model. M2 uses a larger contextual window containing the initial M1 prediction and local morphology to reduce discontinuities using neighbouring flow information. During full-field inference, M2 is applied iteratively using a Gauss-Seidel scheme until convergence. Results show that M1 captures the main spatial distribution of pedestrian-level wind speed and performs well in low- and moderate-velocity regions, although high-velocity peaks are less accurate. M2 substantially reduces patch-boundary artefacts and improves spatial coherence. Across unseen urban cases, the framework reproduces mean velocity and spatial variability reasonably well, while maximum velocities remain underestimated. Overall, the proposed framework provides an efficient and flexible surrogate model for high-resolution pedestrian-level wind prediction across realistic urban morphologies.
Abstract（参考訳）: 歩行者レベルの風速予測は都市設計や風の快適性評価には不可欠であるが、LESのような高忠実度シミュレーションは高速な評価には計算コストがかかる。本研究では,2段階のU-Netフレームワークを構築し,現実的な都市形態よりも時間平均歩行者風速を効率的に予測する。このモデルは、接近する風向の異なる現実的な都市構成を含むUrbanTALESデータセットを用いて、訓練および評価を行う。第1段階では、ベースラインU-Netモデル(M1)が、正規化された建物の高さとフェッチ情報から、風場パッチ・バイ・パッチを予測する。この定式化により任意の大きさの都市ドメインに適用できるが、独立パッチ推論はパッチ境界における不連続を導入することができる。これを解決するために,2つ目のU-Netモデル (M2) がインペインティングベースリファインメントモデルとして導入された。 M2は、初期M1予測と局所形態を含むより大きなコンテキストウィンドウを使用して、近隣の流れ情報を用いた不連続性を低減している。全体推論において、M2 は収束するまでガウス・シーデルスキームを用いて反復的に適用される。その結果、M1は歩行者レベルの風速の主空間分布を捉えることができ、高速度のピークは精度が低いものの、低速度と中速度の領域でよく機能することがわかった。 M2はパッチ境界アーチファクトを大幅に低減し、空間コヒーレンスを改善する。この枠組みは、未確認の都市では平均速度と空間変動性を合理的に再現するが、最大速度は過小評価される。提案フレームワークは,現実的な都市形態を横断する高分解能歩行者レベルの風速予測のための,効率的かつ柔軟な代理モデルを提供する。

関連論文リスト

Scaling Reinforcement Learning for Diffusion Models via Velocity Matching [66.34541945134916]
RewardBenchファインチューニングは、人間の好みやタスク固有の目的に拡散モデルを適用するための重要なツールである。自己回帰モデルとは異なり、拡散モデルは生成したサンプルの抽出可能な可能性を提供しない。本稿では,速度場に直接作用する単純なトラジェクトリフリー更新である報酬ベースベロシティマッチング(RVM)を提案する。
論文参考訳（メタデータ） (2026-08-24T17:13:43Z)
Efficient Prompt Learning for Traffic Forecasting [78.86991846411793]
我々は、SimpleSTという、訓練済みの時間GNNに適応するための軽量でモデルに依存しないプロンプトチューニングフレームワークを導入する。適応のオーバーヘッドと複雑さを減らし、事前学習されたモデルのアウト・ディストリビューション・一般化を効率的に利用できるようにする。
論文参考訳（メタデータ） (2026-05-08T03:45:51Z)
End-to-end data-driven prediction of urban airflow and pollutant dispersion [1.3874486202578666]
本研究の目的は, 意思決定者を支援するため, 都市汚染物質分散の迅速かつ正確なモデルを開発することである。道路キャニオンにおける気流と汚染物質分散のモデル化と予測を行うために, エンドツーエンドのデータ駆動方式を提案する。その結果, 時間的地平線上での時間的および統計的に定常な場予測において, モデルの有効性が示された。
論文参考訳（メタデータ） (2026-03-18T11:19:13Z)
VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。 VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
論文参考訳（メタデータ） (2026-03-13T04:56:43Z)
From large-eddy simulations to deep learning: A U-net model for fast urban canopy flow predictions [0.0]
本研究では,都市風況の高速かつ正確な予測のためのディープニューラルネットワーク(DNN)手法を提案する。 LESデータに基づいて訓練されたU-Netアーキテクチャを用い、7方向の合成都市構成を252個採用する。 50のテストケースのモデル評価では、全体の平均相対誤差が9.3%、乱流強度が5.2%である。
論文参考訳（メタデータ） (2025-07-09T04:25:13Z)
Generative Modeling of Microweather Wind Velocities for Urban Air Mobility [0.0]
本研究は, 安全で信頼性が高く, 耐候性のある都市空力(UAM)ソリューションの追求により, マイクロウェザー風速のキャラクタリゼーションのための生成モデル手法を提案する。この研究は、計算効率のよい風速をモデル化し、ランダムな変動を捉えることを目的としており、永久的なフィールド計測のキャンペーンよりも一時的なものしか必要としない。
論文参考訳（メタデータ） (2025-03-04T15:03:15Z)
Generalization of Urban Wind Environment Using Fourier Neural Operator Across Different Wind Directions and Cities [3.161712948860127]
本研究では,風向と都市レイアウトの異なる流れ場予測におけるフーリエニューラル演算子(FNO)モデルの有効性について検討した。大規模なエドディシミュレーションデータから速度データを学習することにより,異なる都市環境と風環境下でのモデルの性能を評価する。その結果,FNOモデルでは正確な予測が可能であり,計算時間を99%削減できることがわかった。
論文参考訳（メタデータ） (2025-01-09T18:02:12Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
FastFlow: AI for Fast Urban Wind Velocity Prediction [0.0]
高忠実度数値シミュレーションにより典型的に行われる都市レイアウトのキャラクタリゼーションにおけるCNNの利用について述べる。このモデルを,データ駆動型歩行者風速予測のための実用性の最初の実証に応用する。
論文参考訳（メタデータ） (2022-11-22T06:13:48Z)
StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文参考訳（メタデータ） (2022-07-21T12:03:02Z)

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。