論文の概要: 3D Field Data Reduction with Adaptive Sample-Based Gaussian-Encoded Reconstruction
- arxiv url: http://arxiv.org/abs/2609.16024v1
- Date: Thu, 10 Sep 2026 02:59:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.108464
- Title: 3D Field Data Reduction with Adaptive Sample-Based Gaussian-Encoded Reconstruction
- Title（参考訳）: 適応型サンプルベースガウス符号化再構成による3次元フィールドデータ削減
- Abstract要約: 科学シミュレーションでは、正規格子、非構造メッシュ、および粒子ベースのフォーマットがそれぞれ、計算効率、幾何学的/適応的柔軟性、それに追従する動き/変形のフィールドデータを表すために選択される。
固定予算の定式化の下でこれらのデータ形式を表すサンプルベースガウス符号化法を提案する。
構造的、非構造的、粒子データ全体にわたって、サンプルベースの定式化は、以前の定式化よりも測定可能なプリミティブによる再構成精度を向上し、プリミティブカウントのおよそ44倍の削減で最大4.8dBのPSNRを達成する。
- 参考スコア（独自算出の注目度）: 15.691275130802815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In scientific simulation, regular grids, unstructured meshes, and particle-based formats are chosen to represent field data for computational efficiency, geometry/adaptive flexibility, and following motion/deformation, respectively. Each of these field data formats is often handled through separate data-specific processing pipelines. We present a unified sample-based Gaussian encoding method that represents these data forms under a single fixed-budget formulation. The method initializes and refines Gaussian primitives directly from the input samples while preserving a prescribed primitive count and encoded size to achieve a desired level of data reduction. Across structured, unstructured, and particle data, the sample-based formulation improves reconstruction accuracy with measurably fewer primitives in comparison to prior formulations, achieving up to 4.8 dB higher PSNR with an approximate 44x reduction in primitive count. For time-varying data, warm-starting from the previous timestep reduces the optimization required to reach independently trained reconstruction quality. Together, these results demonstrate a unified fixed-budget Gaussian encoding framework for structured, particle, unstructured, and time-varying scientific data with predictable storage, higher reconstruction accuracy, and improved temporal encoding efficiency.
- Abstract（参考訳）: 科学シミュレーションでは、正規格子、非構造メッシュ、および粒子ベースのフォーマットがそれぞれ、計算効率、幾何学的/適応的柔軟性、それに追従する動き/変形のフィールドデータを表すために選択される。
これらのフィールドデータフォーマットは、しばしば別々のデータ固有の処理パイプラインを通して処理される。
固定予算の定式化の下でこれらのデータ形式を表すサンプルベースガウス符号化法を提案する。
この方法は、所定のプリミティブカウントとエンコードサイズを保持しながら、入力サンプルから直接ガウスプリミティブを初期化し、精製し、所望のレベルのデータ還元を実現する。
構造的、非構造的、粒子データ全体にわたって、サンプルベースの定式化は、以前の定式化よりも測定可能なプリミティブによる再構成精度を向上し、プリミティブカウントのおよそ44倍の削減で最大4.8dBのPSNRを達成する。
時間変化データの場合、前回からウォームスタートすると、独立に訓練された復元品質に到達するのに必要な最適化が削減される。
これらの結果は, 構造, 粒子, 非構造, 時間変化の科学的データに対して, 予測可能な記憶, 再構築精度の向上, 時間的符号化効率の向上を両立した固定予算型ガウス符号化フレームワークを実証した。
関連論文リスト
- Synthics: Synthetic Physics-like Datasets for Machine Learning [0.18275108630751835]
与えられた方程式コーパスから物理方程式に構造的に類似した合成回帰データセットを生成する。
生成された方程式は、研究された8つの構造的特徴の全てでコーパスと一致する。
合成データピックを調整した勾配式回帰器は、実データでは20個中6個目だ。
論文 参考訳（メタデータ） (2026-06-04T21:20:08Z) - Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。
この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。
力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
論文 参考訳（メタデータ） (2026-02-26T16:43:28Z) - QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization [69.50126552763157]
表面再構成はコンピュータビジョンとグラフィックスの基本であり、3Dモデリング、混合現実、ロボット工学などの応用を可能にする。
レンダリングに基づく既存のアプローチは有望な結果を得るが、シーンごとに最適化されるため、テクスチャレスな領域をモデル化するのに苦労する可能性がある。
大規模屋内シーンの2次元ガウススプラッティング最適化のための高密度初期化を生成するために,データ駆動の先行処理を学習するQuickSplatを紹介する。
論文 参考訳（メタデータ） (2025-05-08T18:43:26Z) - Dataset Distillation as Pushforward Optimal Quantization [2.5892916589735457]
そこで本研究では,実データ上での学習に類似した性能を,桁違いに少ない計算量で実現した合成トレーニングセットを提案する。
特に、既存の非絡み合ったデータセット蒸留法を古典的最適量子化とワッサーシュタインのバリセンタ問題にリンクする。
我々は,ImageNet-1Kデータセットの性能向上とモデル間一般化を,より簡単な追加計算で実現し,より高階のイメージ・パー・クラス・セッティングにおけるSOTA性能を向上する。
論文 参考訳（メタデータ） (2025-01-13T20:41:52Z) - Mean flow data assimilation using physics-constrained Graph Neural Networks [0.0]
本研究では,グラフニューラルネットワーク(GNN)と最適化手法を統合し,平均流路復元の精度を高める新しいデータ同化手法を提案する。
GNNフレームワークは非構造化データを扱うのに適しており、計算流体力学(CFD)で遭遇する複雑な測地に共通している。
その結果,データ駆動モデルに類似するモデルと比較して,訓練データに制限がある場合でも,平均フロー再構成の精度は著しく向上した。
論文 参考訳（メタデータ） (2024-11-14T14:31:52Z) - Flow reconstruction in time-varying geometries using graph neural networks [1.0485739694839669]
このモデルは、非常にスパースな入力を処理するための前処理ステップとして、特徴伝搬アルゴリズムを組み込んでいる。
バリデーションマスクとしてバイナリインジケータを導入し、元のデータポイントと伝播データポイントを区別する。
このモデルは、技術的に関係のある運転条件下で、エンジンの直接数値シミュレーション(DNS)のユニークなデータセットに基づいて訓練される。
論文 参考訳（メタデータ） (2024-11-13T16:49:56Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Data Aggregation for Reducing Training Data in Symbolic Regression [0.0]
本研究は、トレーニングデータを削減する方法と、遺伝的プログラミングのランタイムについても論じる。
K平均クラスタリングとデータビンニングはデータアグリゲーションに使われ、最も単純なデータリダクション法としてランダムサンプリングと比較される。
遺伝的プログラミングの性能は、ランダムな森林と線形回帰と比較される。
論文 参考訳（メタデータ） (2021-08-24T11:58:17Z) - PriorGrad: Improving Conditional Denoising Diffusion Models with
Data-Driven Adaptive Prior [103.00403682863427]
条件拡散モデルの効率を改善するために, PreGrad を提案する。
PriorGradはデータとパラメータの効率を向上し、品質を向上する。
論文 参考訳（メタデータ） (2021-06-11T14:04:03Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳（メタデータ） (2020-10-07T03:34:01Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳（メタデータ） (2020-06-16T18:43:31Z)
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。