Fugu-MT 論文翻訳(概要): Diffusion-corrected Autoregressive Fourier Neural Operator for Droplet Evolution Prediction

論文の概要: Diffusion-corrected Autoregressive Fourier Neural Operator for Droplet Evolution Prediction

arxiv url: http://arxiv.org/abs/2607.16238v1
Date: Thu, 25 Jun 2026 23:42:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 00:46:13.050929
Title: Diffusion-corrected Autoregressive Fourier Neural Operator for Droplet Evolution Prediction
Title（参考訳）: 拡散補正自己回帰フーリエニューラル演算子による液滴進化予測
Abstract要約: 拡散補正型自己回帰フーリエニューラル演算子(DiffARFNO)について紹介する。 DiffARFNOは自己回帰型フーリエ・マイノネットと条件付き拡散拡散インプリシットモデル(DDIM)を結合する。 Fluentによるドロップレットデータセットの実験では、DiffARFNOが既存の最先端モデルを大幅に上回っていることが示されている。
参考スコア（独自算出の注目度）: 8.6288327359522
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting droplet evolution in material jetting, or Inkjet Printing (IJP), is essential for maintaining printing quality. However, long-horizon forecasts remain challenging due to error accumulation and the complex coupling of process variables. In this work, we introduce the Diffusion-corrected Auto-Regressive Fourier Neural Operator (DiffARFNO), a two-stage framework that combines an autoregressive Fourier-MIONet with a conditional Denoising Diffusion Implicit Model (DDIM) corrector. Fourier-MIONet is trained as a coarse predictor and deployed autoregressively for long-horizon forecasting. In the second stage, a DDIM-based conditional corrector refines the coarse prediction within each sliding window through efficient iterative denoising. By combining coarse predictions from Fourier-MIONet with a DDIM corrector that restores fine details, DiffARFNO aims to provide high-fidelity predictions for long-horizon forecasts. Extensive experiments on droplet datasets from ANSYS Fluent demonstrate that DiffARFNO significantly outperforms existing state-of-the-art models.
Abstract（参考訳）: インクジェット(Inkjet Printing, IJP)における液滴の進化予測は, 印刷品質の維持に不可欠である。しかし、エラーの蓄積とプロセス変数の複雑な結合により、長期的な予測は依然として困難である。本稿では,DiffARFNO(Diffusion-corrected Auto-Regressive Fourier Neural Operator)という,自己回帰型Fourier-MIONetと条件付きDenoising Diffusion Implicit Model(DDIM)の2段階のフレームワークを紹介する。 Fourier-MIONetは粗い予測器として訓練され、ロングホライゾン予測のために自己回帰的に展開される。第2段階では、DDIMベースの条件付き修正器は、効率的な反復復調により、各スライディングウィンドウ内の粗い予測を洗練する。フーリエ・ミオネットの粗い予測と細部を復元するDDIM補正を組み合わせることで、DiffARFNOは長距離予測に高忠実な予測を提供することを目指している。 ANSYS Fluentのドロップレットデータセットに関する大規模な実験は、DiffARFNOが既存の最先端モデルを大幅に上回っていることを示している。

関連論文リスト

Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文参考訳（メタデータ） (2026-08-24T15:06:18Z)
DiFA: Inference-Time Forward-Process Alignment for Diffusion Models [8.208222349301785]
Forward-Process Aligned Diffusion Prediction (textbfDiFA) は、逐次状態推定問題として推論時データの予測精度を改善するトレーニングフリーフレームワークである。カルマンフィルタにインスパイアされたDiFAは、構造的一貫性とノイズレベルの整合性に応じて歴史的予測を集約する。
論文参考訳（メタデータ） (2026-07-20T14:10:53Z)
From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文参考訳（メタデータ） (2026-07-10T20:59:06Z)
Transformers Learn the Optimal DDPM Denoiser for Multi-Token GMMs [13.741630476895773]
本稿では,変圧器を用いた拡散モデルのトレーニングのための最初の収束解析を行う。人口の拡散確率モデル (DDPM) の目的を, 人口の分散確率モデル (DDPM) とみなす。より深い調査により、トレーニングされた平均偏極モジュールは、拡散ステップにおける注入音の最小値平均正方形誤差(MMSE)を近似することができることが明らかになった。
論文参考訳（メタデータ） (2026-04-11T07:46:15Z)
FoilDiff: A Hybrid Transformer Backbone for Diffusion-based Modelling of 2D Airfoil Flow Fields [1.5749416770494706]
FoilDiffは、ハイブリッドバックボーンデノナイジングネットワークを備えた拡散ベースのサロゲートモデルである。既存の拡散モデルよりも正確な予測とより良い校正された予測の不確実性を提供することができる。
論文参考訳（メタデータ） (2025-10-05T19:10:38Z)
Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2025-06-24T21:44:31Z)
A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文参考訳（メタデータ） (2025-05-16T17:00:52Z)
ADT: Tuning Diffusion Models with Adversarial Supervision [16.974169058917443]
拡散モデルは、真のデータ分布を近似するために前方ノイズ発生過程を反転させることで、優れた画像生成を実現している。本稿では、最適化中の推論プロセスを刺激し、最終的な出力をトレーニングデータと整合させるために、Adrial Diffusion Tuning (ADT)を提案する。 ADTは、固定されたトレーニング済みのバックボーンと軽量なトレーニング可能なパラメータを備えたシアム-ネットワーク識別器を備えている。
論文参考訳（メタデータ） (2025-04-15T17:37:50Z)
Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文参考訳（メタデータ） (2023-11-30T18:59:44Z)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)
Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文参考訳（メタデータ） (2022-11-28T09:57:15Z)

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。