論文の概要: Image Editing Models are Numerical Solvers

• arxiv url: http://arxiv.org/abs/2607.18787v1
• Date: Tue, 21 Jul 2026 07:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.34434
• Title: Image Editing Models are Numerical Solvers
• Title（参考訳）: 画像編集モデルは数値解法である
• Authors: Ulysse Mizrahi,
• Abstract要約: 我々は,事前学習された生成画像編集モデルが,数値シミュレーションのための共通インターフェースを提供することができるかどうかを考察する。 物理入力と解は画像として描画され、材料特性、拡散率、ロードパラメータなどのスカラー量は軽量アダプターを通して入力される。 その結果、事前訓練された画像モデルは、様々な静的および時間依存の物理マッピングを表現できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate whether a pretrained generative image-editing model can provide a common interface for numerical simulation. Physical inputs and solutions are rendered as images, while scalar quantities such as material properties, diffusivity, and loading parameters enter through lightweight adapters. Using established numerical and analytic solvers for supervision, we apply the same architecture and training protocol to heterogeneous elliptic equations, forced heat and Burgers evolution, complex Ginzburg-Landau dynamics, two-dimensional Navier-Stokes prediction, potential flow, elasticity, eikonal travel time, phase-field fracture, and entropic optimal transport. The results show that a pretrained image model can represent diverse static and time-dependent physical mappings, including unstable and shock-like behavior, when each task is expressed through a suitable visual encoding. This work is a capability study rather than an attempt to surpass specialized solvers. It also identifies fundamental constraints: image and latent representations complicate numerical range selection and direct enforcement of governing equations or invariants, while a failed Kuramoto-Sivashinsky experiment indicates that representation errors prevent meaningful long-horizon simulation of chaotic systems.
• Abstract（参考訳）: 我々は,事前学習された生成画像編集モデルが,数値シミュレーションのための共通インターフェースを提供することができるかどうかを考察する。 物理入力と解は画像として描画され、材料特性、拡散率、ロードパラメータなどのスカラー量は軽量アダプターを通して入力される。 シミュレーションのために確立された数値および解析的解法を用いて, 等質楕円型方程式, 強制熱およびバーガース進化, 複雑なギンズブルグ・ランダウ力学, 二次元ナヴィエ・ストークス予測, 電位流, 弾性, 固有走行時間, 位相場破壊, エントロピー最適輸送に同じアーキテクチャとトレーニングプロトコルを適用した。 その結果、各タスクが適切な視覚的エンコーディングによって表現される場合、不安定で衝撃的な振る舞いを含む様々な静的および時間依存の物理マッピングを事前訓練した画像モデルで表現できることが示唆された。 この研究は、特殊な解法を越えようという試みではなく、能力研究である。 画像と潜在表現は、数値範囲の選択と支配方程式や不変式の直接適用を複雑にするが、倉本・シヴァシンスキーの実験は、表現エラーがカオスシステムの有意義なロングホライゾンシミュレーションを防ぐことを示唆している。

関連論文リスト

• Physics-informed convolutional neural networks for fluid flow through porous media [0.0]
  サンプル形状から直接細孔スケールの速度場を予測するためのニューラルネットワークに基づくフレームワークを提案する。 本研究では,損失重みの影響を解析し,個々の損失成分の予測精度への寄与を定量化する。
  論文  参考訳（メタデータ） (2026-05-18T08:02:28Z)
• Physics-constrained symbolic regression for discovering closed-form equations of multimodal water retention curves from experimental data [1.1278037007482673]
  メタモデリング用に設計された物理制約付き機械学習フレームワークを導入し、実験データから直接マルチモーダル保水曲線に対する閉形式数学的表現の自動発見を可能にする。 提案手法は,多孔質材料の保水特性を効果的に表現する閉形方程式を同定できることを示す。
  論文  参考訳（メタデータ） (2026-02-24T18:48:15Z)
• PhysicsGen: Can Generative Models Learn from Images to Predict Complex Physical Relations? [7.1606014219358425]
  本稿では,物理シミュレーションの文脈における生成モデルの可能性について検討する。 3種類の物理シミュレーションタスクに対して,300kイメージペアのデータセットとベースライン評価を行う。
  論文  参考訳（メタデータ） (2025-03-07T11:19:13Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• INFINITY: Neural Field Modeling for Reynolds-Averaged Navier-Stokes Equations [13.242926257057084]
  INFINITYは、幾何学情報と物理場をコンパクトな表現に符号化するディープラーニングモデルである。 本フレームワークは,体積と表面の物理場を正確に推定することにより,最先端の性能を実現する。 我々のモデルは、方程式に固執しながら、ドラッグ・アンド・リフト係数を正確に予測することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:35:55Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• gradSim: Differentiable simulation for system identification and visuomotor control [66.37288629125996]
  本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。 当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
  論文  参考訳（メタデータ） (2021-04-06T16:32:01Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。