論文の概要: Distance-Aware Attention and Wall-Distance Expert Routing for Transformer-Based 3D Flow Prediction

• arxiv url: http://arxiv.org/abs/2609.07222v1
• Date: Mon, 07 Sep 2026 08:36:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.39025
• Title: Distance-Aware Attention and Wall-Distance Expert Routing for Transformer-Based 3D Flow Prediction
• Title（参考訳）: 変圧器を用いた3次元流れ予測のための距離認識と壁面距離エキスパートルーティング
• Abstract要約: トランスフォーマーは、3次元フロー予測のために、産業メッシュを小さなトークンセットに圧縮する。 2つの操作は、ポイントが圧縮された表現から情報を収集する検索ステップと、取得したものを変換するフィードフォワード層である。 距離認識型クロスアテンション(DA-CA)は,検索前に各ボリュームクエリーを壁面距離で応答させる。 SVMoE(Surface-volume Mixed-of-Experts)は、共有フィードフォワード層を、ボリュームポイントの壁距離と局所幾何学によって、少数の専門家によって置き換える。
• 参考スコア（独自算出の注目度）: 6.964881957695288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformer surrogates for 3D flow prediction compress an industrial mesh into a small set of tokens from which every prediction point reads. Two operations follow: the retrieval step in which a point gathers information from the compressed representation, and the feed-forward layer that transforms what it retrieved. In current backbones both are blind to where the point sits in the flow. We condition both on wall-related physical signals. Distance-aware cross-attention (DA-CA) reshapes each volume query by its wall distance before retrieval, so that a point deep in the boundary layer draws different geometric information than one in the outer flow. Surface-volume mixture-of-experts (SVMoE) replaces the shared feed-forward layer with a small set of experts, routed by wall distance for volume points and by local geometry for surface points. Neither mechanism is tied to one architecture, so we apply both unchanged to AB-UPT and Transolver-3. On DrivAerML with 50 training cases, DA-CA reduces the volume pressure error by 10.1%, and DA-CA and SVMoE together reduce it by 12.5%; DA-CA improves the near-wall region at some cost in the far region, which SVMoE recovers, and the volume experts settle into near-wall, transition, and free-stream bands without routing supervision. Retrained on 300 cases, the conditioning improves every field quantity, reducing volume pressure and velocity errors by 33.1% and 18.6% on AB-UPT and by 21.4% and 21.3% on Transolver-3. Under Leave-One-Body-Out evaluation on DrivAerNet++, it reduces the volume pressure error on unseen body types by up to 14.2%.
• Abstract（参考訳）: トランスフォーマーは、3Dフロー予測のために産業用メッシュを小さなトークンセットに圧縮し、予測ポイントが読み取る。 2つの操作は、ポイントが圧縮された表現から情報を収集する検索ステップと、取得したものを変換するフィードフォワード層である。 現在のバックボーンでは、どちらもフロー内の点に盲目である。 我々は壁関連物理的信号に双方を条件付けする。 距離認識型クロスアテンション(DA-CA)は、検索前に各ボリュームクエリをその壁距離で再入力し、境界層奥の点が外流の点と異なる幾何学的情報を描画する。 SVMoE(Surface-volume Mixed-of-experts)は、共有フィードフォワード層を、ボリュームポイントの壁距離と表面ポイントの局所幾何学によって、少数の専門家によって置き換える。 どちらの機構も一つのアーキテクチャに縛られないので、AB-UPT と Transolver-3 の両方に適用する。 50のトレーニングケースを持つDriivAerMLでは、DA-CAはボリューム圧力誤差を10.1%削減し、DA-CAとSVMoEは共に12.5%削減した。 300のケースでリトレーニングされた条件は、すべてのフィールド量を改善し、AB-UPTではボリューム圧力と速度誤差を33.1%、AB-UPTでは18.6%、Transolver-3では21.4%、21.3%削減する。 DrivAerNet++のLeave-One-Body-Out評価では、見えないボディタイプのボリューム圧力エラーを最大14.2%削減する。

関連論文リスト

• A Neighborhood Attention Transformer Network for Enhanced 3D Segmentation of the Left Anterior Descending Artery [5.486895610501164]
  左前下行動脈(LAD)の3次元自由呼吸,非造影CTの正確な分画は胸部放射線療法における心筋線量減少に必須である。 本研究では,3次元トランスフォーマベースセグメンテーションモデルであるNA-UNETRを提案する。 Dice-Focal と Hausdorff の複合損失は、相補的不確実性によって動的にバランスが取れ、重なり合いと境界の精度が向上する。
  論文  参考訳（メタデータ） (2026-08-12T17:13:59Z)
• Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
  オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。 パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。 FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
  論文  参考訳（メタデータ） (2026-08-07T05:44:31Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• WAV: Multi-Resolution Block Residual Routing for Deep Decoder-Only Transformers [1.2973070941583096]
  WAV v1はデコーダのみのトランスフォーマーのための軽量な残差ルーティング手法である。 これは、Block AttnResに対する損失をTinyStoriesで0.4960から0.4738、Text8で0.9363から0.9305に削減する。
  論文  参考訳（メタデータ） (2026-06-04T16:15:27Z)
• Geometry-Aware Tabular Diffusion [0.0]
  タブラル合成は、プライバシー保護の共有と拡張に重要であるが、拡散モデルはカラム間の関係をキャプチャするための暗黙のメカニズムに依存している。 カラム値の差から計算した2つの角度と長さで表層拡散デノイザを拡大するGATD(Geometry-Aware Tabular Diffusion)を導入する。 我々のインスタンス化は、平均3.5倍のパラメータを使用しながら、最先端のベンチマーク性能を達成する。
  論文  参考訳（メタデータ） (2026-05-23T17:59:46Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
  時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。 我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。 THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
  論文  参考訳（メタデータ） (2025-11-06T00:41:54Z)
• Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
  都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。 これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
  論文  参考訳（メタデータ） (2025-10-24T02:59:55Z)
• Robust Residual Finite Scalar Quantization for Neural Compression [46.574899938569125]
  有限スカラー量子化(FSQ)は、簡易なトレーニングを提供するが、多段階設定での残留等級劣化に悩まされる。 本稿では,2つの新しい条件付け手法を用いて,この基本的な制限に対処するロバスト残留有限スカラー量子化(RFSQ)を提案する。 RFSQの有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-20T15:18:59Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Back to MLP: A Simple Baseline for Human Motion Prediction [59.18776744541904]
  本稿では、歴史的に観察されたシーケンスから将来の身体のポーズを予測することによる、人間の動作予測の課題に取り組む。 これらの手法の性能は、0.14Mパラメータしか持たない軽量で純粋にアーキテクチャアーキテクチャによって超えることができることを示す。 Human3.6M, AMASS, 3DPWデータセットの徹底的な評価は, siMLPeをダブした我々の手法が, 他のアプローチよりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2022-07-04T16:35:58Z)

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。