論文の概要: Physics-aware Masked Diffusion-based Flood Simulation for Urban Fisheye Disaster Detection

• arxiv url: http://arxiv.org/abs/2607.15527v1
• Date: Fri, 17 Jul 2026 00:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.721547
• Title: Physics-aware Masked Diffusion-based Flood Simulation for Urban Fisheye Disaster Detection
• Title（参考訳）: 物理対応マズード拡散に基づく都市魚眼災害検出のための洪水シミュレーション
• Abstract要約: 魚眼レンズで捉えた単一の画像から現実的な洪水を合成する新しい物理シミュレーションシステムを提案する。 本システムでは, 一つの画像からシミュレーションを行うだけでなく, 多様な洪水シナリオを自由に制御し, 生成する機能も備えている。
• 参考スコア（独自算出の注目度）: 3.140963479660488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical simulations that predict the behavior of urban disasters, such as climate-related flooding, play a crucial role in disaster prevention and the development of anomaly detection models. However, the severe shortage of flood data in real-world environments, combined with the inherent distortions of fisheye lens images, which are used for urban surveillance, has made high-precision simulations challenging. To address this, we propose a new physical simulation system PhysFlood that leverages Diffusion Models to synthesize realistic floods from just a single image captured by a fisheye lens. Our system not only enables simulation from a single image, but also features the ability to freely control and generate diverse flood scenarios by manipulating physically meaningful variables, such as water levels. In our evaluation experiments, we conducted a qualitative human study and demonstrated that the simulation images generated by PhysFlood exhibit both acceptable realism and robustness.
• Abstract（参考訳）: 気象関連洪水などの都市災害の挙動を予測する物理シミュレーションは,防災や異常検出モデルの開発において重要な役割を担っている。 しかし, 都市監視に使用される魚眼レンズ画像の固有の歪みと相まって, 実環境における洪水データの深刻な不足は, 高精度なシミュレーションを困難にしている。 そこで本研究では,魚眼レンズで捉えた単一の画像から,拡散モデルを利用して現実的な洪水を合成する物理シミュレーションシステムPhysFloodを提案する。 本システムでは, 単一画像からシミュレーションを行うだけでなく, 水位などの物理的に意味のある変数を操作することにより, 多様な洪水シナリオを自由に制御し, 生成することができる。 評価実験において,PhysFloodが生成したシミュレーション画像は許容現実性と頑健性の両方を示すことを示した。

関連論文リスト

• Deep Learning for Remote Sensing to Improve Flood Inundation Mapping [0.09332987715848712]
  本稿では,拡散確率モデルに基づく洪水画像のクラウド除去フレームワークを提案する。 現実的な雲のパターンでマルチスペクトルのSentinel-2B洪水シーンで訓練されたこのモデルは、クラウドフリーの画像実現を生成する。 以上の結果から,光フラッシャモニタリングにおいて,拡散に基づく生成モデリングがクラウド除去の頑健かつ物理的に一貫した代替手段となることが示唆された。
  論文  参考訳（メタデータ） (2026-06-01T14:28:48Z)
• UAV-Assisted Scan-to-Simulation for Landslides Using Physics-Informed Gaussian Splatting [0.5729426778193398]
  3DGSによるシーンキャプチャと物理に基づく地すべりシミュレーションを橋渡しするUAV-based scan-to-simulationフレームワークを提案する。 香港の地すべり現場で激しい地すべりを経験し,その枠組みを検証した。
  論文  参考訳（メタデータ） (2026-05-11T15:25:21Z)
• FluidGaussian: Propagating Simulation-Based Uncertainty Toward Functionally-Intelligent 3D Reconstruction [37.29218600173778]
  本研究では,形状再構成とユビキタスな流体構造相互作用を密結合させて表面品質を高い粒度で評価するプラグ・アンド・プレイ法を提案する。 我々のFluidGaussian法は、流体シミュレーション中に最大で8.6%のPSNR(Peak Signal-to-Noise Ratio)と-62.3%の速度ばらつきをもたらす。
  論文  参考訳（メタデータ） (2026-03-22T18:30:57Z)
• DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
  レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。 コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
  論文  参考訳（メタデータ） (2026-02-27T15:35:30Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• ClimateNeRF: Extreme Weather Synthesis in Neural Radiance Field [57.859851662796316]
  シーンのNeRFモデルを用いて物理シミュレーションを融合する新しいNeRF編集手法について述べる。 結果はSOTA 2D画像編集やSOTA 3D NeRFスタイリングよりもはるかにリアルである。
  論文  参考訳（メタデータ） (2022-11-23T18:59:13Z)
• A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
  大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。 深層学習に基づく大気乱流緩和法が文献で提案されている。 様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
  論文  参考訳（メタデータ） (2022-04-19T16:21:36Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• GeoSim: Photorealistic Image Simulation with Geometry-Aware Composition [81.24107630746508]
  GeoSimは、新しい都市の運転シーンを合成するジオメトリ認識の画像合成プロセスです。 まず、センサーデータからリアルな形状と外観の両方を備えた多様な3Dオブジェクトのバンクを構築します。 得られた合成画像は、フォトリアリズム、トラフィック認識、幾何学的一貫性があり、画像シミュレーションが複雑なユースケースにスケールできる。
  論文  参考訳（メタデータ） (2021-01-16T23:00:33Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)
• Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping [13.167695669500391]
  リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。 水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。 このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T10:59:15Z)
• Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement [10.143025577499039]
  物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。 水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。 合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2020-02-20T07:50:00Z)

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。