Fugu-MT 論文翻訳(概要): PCFlow: Physics-Conditioned Flow Matching for GPR B-Scan Image Synthesis

論文の概要: PCFlow: Physics-Conditioned Flow Matching for GPR B-Scan Image Synthesis

arxiv url: http://arxiv.org/abs/2609.07300v1
Date: Mon, 07 Sep 2026 10:19:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.408014
Title: PCFlow: Physics-Conditioned Flow Matching for GPR B-Scan Image Synthesis
Title（参考訳）: PCFlow:GPR B-Scan画像合成のための物理条件付きフローマッチング
Abstract要約: 地中レーダ(GPR)のBスキャン画像合成は,データ拡張,アルゴリズム検証,シミュレーション高速化に重要である。高速GPRBスキャン画像合成のための物理条件付きフローマッチングフレームワークPCFlowを提案する。
参考スコア（独自算出の注目度）: 4.352203350525564
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ground-penetrating radar (GPR) B-scan image synthesis is important for data augmentation, algorithm validation, and simulation acceleration, yet generating radargrams with both visual realism and physical consistency remains challenging. Existing learning-based generative models often emphasize visual appearance but provide limited control over response geometry. In this paper, we propose PCFlow, a physics-conditioned flow matching framework for fast GPR B-scan image synthesis. The core of PCFlow is a Maxwell-informed dense physical condition field constructed from the parameterized physical model used for electromagnetic simulation, including material properties, target geometry, propagation cues, and response-domain priors. This condition field provides an interpretable interface between physical scene parameters and radar response geometry, and guides conditional flow matching in the VAE latent space toward physically feasible generation paths. We evaluate PCFlow on a gprMax-based buried-pipeline dataset with both in-distribution and out-of-distribution test cases. Experimental results show that PCFlow generates images with more accurate response geometry and high visual fidelity, demonstrating its effectiveness for controllable and physically faithful radar image synthesis.
Abstract（参考訳）: 地中レーダ(GPR)のBスキャン画像合成は、データの増大、アルゴリズム検証、シミュレーション加速に重要であるが、視覚リアリズムと物理的整合性の両方でレーダグラムを生成することは依然として困難である。既存の学習ベースの生成モデルは視覚的外観を強調することが多いが、応答幾何学を限定的に制御する。本稿では,高速GPRBスキャン画像合成のための物理条件付きフローマッチングフレームワークであるPCFlowを提案する。 PCFlowの中核は、物質特性、ターゲット幾何学、伝播キュー、応答領域先行を含む電磁シミュレーションに使用されるパラメータ化物理モデルから構築された、マックスウェルインフォームドの高密度物理条件場である。この条件場は、物理シーンパラメータとレーダ応答幾何学の解釈可能なインターフェースを提供し、VAE潜在空間における条件フローマッチングを物理的に実現可能な生成経路へ導く。我々は,gprMaxをベースとした埋設ピペリンデータセットを用いたPCFlowの評価を行った。実験結果から,PCFlowはより正確な応答形状と高い視覚的忠実度を持つ画像を生成し,制御可能で物理的に忠実なレーダ画像合成の有効性を示した。

関連論文リスト

OmniPhys: Knowledge-Graph-Driven Benchmarking and Collective Optimization for Physical Commonsense in Text-to-Image Generation [63.27323042387232]
OmniPhysは、物理知識グラフに1,551個のサンプルの厳密なベンチマークである。 PhETシミュレーションを標準的なカリキュラムと整合させることで、OmniPhysは診断ストレステストを実行するナレッジ・トゥ・シナリオパイプラインを運用する。我々は,物理フィードバックを離散最適化問題として扱う反復的フレームワークであるOmniPromptを提案する。
論文参考訳（メタデータ） (2026-07-28T12:27:25Z)
Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
論文参考訳（メタデータ） (2026-06-18T20:12:18Z)
GIF: A Conditional Multimodal Generative Framework for IR Drop Imaging in Chip Layouts [19.583373915918163]
物理チップ設計においては、チップ上の電力供給ネットワークの電力整合性を確保するためにIRドロップ分析が不可欠である。 GIFは、幾何情報と位相情報の両方を使ってIRドロップ画像を生成する生成IRドロップフレームワークである。 GIFは0.78のSSIM、0.95のピアソン相関、21.77のPSNR、0.026のNMAEを達成した。
論文参考訳（メタデータ） (2026-04-11T03:00:39Z)
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)
PhysNeXt: Next-Generation Dual-Branch Structured Attention Fusion Network for Remote Photoplethysmography Measurement [50.524262997433546]
ハーモグラフィーは、心臓の脈動によって引き起こされる顔の皮膚の色変化を分析し、心拍数やその他の重要な兆候を測定することができる。現在の手法は主に生のビデオからエンド・ツー・エンドのモデリング、または微妙な心拍マップ(ST)表現に基づいている。本稿では,ビデオフレームとST表現を併用したデュアルインプットディープラーニングフレームワークであるPhysMapXtを提案する。
論文参考訳（メタデータ） (2026-03-20T08:37:02Z)
Exploring Physical Intelligence Emergence via Omni-Modal Architecture and Physical Data Engine [50.62040226184694]
我々はOmniFysicsについて紹介する。OmniFysicsは、画像、音声、ビデオ、テキスト間の理解を統一するコンパクトなオムニモーダルモデルである。明示的な物理知識を注入するために、2つのコンポーネントからなる物理データエンジンを構築します。実験は、標準マルチモーダルベンチマークにおける競合性能を示し、物理指向評価の結果を改善した。
論文参考訳（メタデータ） (2026-02-05T14:04:51Z)
Physics-Informed Diffusion Models for SAR Ship Wake Generation from Text Prompts [4.4173427917548524]
物理学に基づくシミュレータによって生成されたデータに基づいて学習した拡散モデルを開発する。モデルは現実的なケルビンのウェイクパターンを生成し、物理ベースのシミュレータよりも高速な推論を実現する。これらの結果は、高速かつ制御可能なウェイク画像生成のための拡散モデルの可能性を強調している。
論文参考訳（メタデータ） (2025-04-28T20:21:05Z)
A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文参考訳（メタデータ） (2024-12-12T16:05:39Z)
RealFlow: EM-based Realistic Optical Flow Dataset Generation from Videos [28.995525297929348]
RealFlowは、ラベルのないリアルなビデオから直接、大規模な光フローデータセットを作成することができるフレームワークである。まず,一対のビデオフレーム間の光フローを推定し,予測されたフローに基づいて,このペアから新たな画像を生成する。本手法は,教師付きおよび教師なしの光流法と比較して,2つの標準ベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2022-07-22T13:33:03Z)
PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文参考訳（メタデータ） (2021-11-23T18:57:11Z)
Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文参考訳（メタデータ） (2020-09-01T19:17:46Z)

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。