論文の概要: A shape-similarity latent space for fluid interfaces: invertible reduced-order modelling of droplet morphology
- arxiv url: http://arxiv.org/abs/2609.37947v1
- Date: Tue, 29 Sep 2026 16:23:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.740205
- Title: A shape-similarity latent space for fluid interfaces: invertible reduced-order modelling of droplet morphology
- Title（参考訳）: 流体界面の形状相似潜在空間:液滴形態の可逆還元次モデリング
- Abstract要約: 装置のアクティベーション範囲にまたがるキャンペーンは、単一の録音を見逃したような形態を生じる。
低次元で、非可逆的で、標本化よりも形に忠実な表現を必要とする爆発。
デモでは301,539個のインクジェット液滴の輪郭と4つの撮影されたブレークアップシーケンスが使用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A droplet breaks up in tens of microseconds, and a recording captures perhaps a dozen frames. The states in between cannot be recovered without repeating the experiment, and simulating them is too costly to sweep an operating envelope. Yet they are present in the corpus as a whole: a campaign spanning a device's actuation range produces morphologies resembling those any single recording missed. Exploiting that requires a representation that is low-dimensional, invertible, and faithful to shape rather than to sampling. Proper orthogonal decomposition supplies the first two but measures distance in sampled coordinates; manifold learning supplies the third but no map back to a shape; elastic shape analysis supplies a shape metric but no reduced coordinates. SHROM composes all three. Interfaces are represented by their square-root velocity functions, a neighbour graph is built over that shape space, and an autoencoder is trained to reconstruct while penalising latents in which graph neighbours are not latent neighbours. The demonstration uses 301,539 inkjet droplet contours and four filmed break-up sequences. The graph term does not improve reconstruction. It determines whether position in the latent carries meaning: clustering the latent of an otherwise identical model recovers the shape-space partition at chance level (ARI = 0.063 +/- 0.059), and at 0.781 +/- 0.049 with the term active. Waveform parameters predict the full contour at R^2 = 0.878 +/- 0.026. Negative results are reported in the same terms. The graph metric proved immaterial across five choices, and interpolation error saturates at the reconstruction limit, so a plain autoencoder leads that task. The main limitation is interpolation across a topology change: no component of the regularised latent holds both a single-component and a post-break-up shape, whereas an unregularised autoencoder mixes them freely.
- Abstract（参考訳）: 滴は数ミリ秒で分解され、記録はおそらく数十フレームをキャプチャする。
間にある状態は、実験を繰り返すことなく回復することができず、それらをシミュレートするにはコストがかかりすぎる。
装置のアクティベーション範囲にまたがるキャンペーンは、単一の録音が見逃したような形態を生じさせる。
低次元で、非可逆的で、標本化よりも形に忠実な表現を必要とする爆発。
適切な直交分解は、最初の2つを供給しますが、サンプリングされた座標では距離を測定します。
SHROMは3つ全てを構成する。
インタフェースは平方根速度関数で表現され、隣接するグラフはその形状空間上に構築され、オートエンコーダはグラフ隣人が潜伏していない潜伏者をペナルシングしながら再構築するように訓練される。
デモでは301,539個のインクジェット液滴の輪郭と4つの撮影されたブレークアップシーケンスが使用されている。
グラフ項は再構成を改善しない。
ARI = 0.063 +/- 0.059 であり、0.781 +/- 0.049 である。
波形パラメータは R^2 = 0.878 +/- 0.026 で完全な輪郭を予測する。
否定的な結果は同じ条件で報告される。
グラフ計量は5つの選択肢で非物質的であり、補間誤差はリコンストラクション限界で飽和するため、平易なオートエンコーダがそのタスクを導いた。
主な制限は位相変化の補間である: 正規化ラテントの成分が単一成分とポストブレイクアップ形状の両方を保持しないのに対して、非正規化オートエンコーダはそれらを自由に混合する。
関連論文リスト
- ArticulateArena: A Metric for Articulated Kinematics [56.23391152623764]
ArticulateArenaは、調音のためのチャンファー距離の表現不変である。
これは、それを符号化するパラメータではなく、1-DOF関節の運動を比較する。
ArticulateArena-20Kは19,977個の調音されたオブジェクトからなる新しいスイートで、キネマティクスを検証する。
論文 参考訳（メタデータ） (2026-09-27T21:19:22Z) - The Singularity Space: A Generative Diffusion Framework for Signal Representation [0.8526086056172272]
複素平面特異点による信号を表す生成フレームワークであるSingularity Spaceを紹介する。
それぞれの衝撃を32個の予測特異点で表す1次元バーガーの枠組みを評価する。
本フレームワークは, ゼロショット部分分解能の一般化において, 信号構造を未知の試験時間観測雑音下で保存し, 4.2倍の低再生誤差を実現する。
論文 参考訳（メタデータ） (2026-07-12T21:34:13Z) - Level-Crossing Density as a Mesh-Free High-Frequency Auxiliary Loss for Implicit Neural Representations [0.0]
格子も複雑も永続性もない連続神経場に対するスムーズなモンテカルロ推定器を導出する。
推定器は2Dと3Dの正確なトポロジーに対して1-3%の精度で、1イテレーションあたり約3ミリ秒の費用がかかる。
しかし、3Dニューラル-SDFフィッティングでは、任意のサンプルソフトトポロジーの目的に対して一般的な障害モードが現れると信じている。
論文 参考訳（メタデータ） (2026-07-07T04:23:23Z) - NoPA: Non-Parametric Online 3D Scene Graph Generation [57.15076373014265]
NoPAは各オブジェクトを別の非パラメトリック分布として表現する。
カーネル密度推定における平均誤差の最大化を利用して、オブジェクト候補のロバストなマージを可能にする。
NoPAは、リアルタイムの推論速度を犠牲にすることなく、現在の手法を大幅に上回る。
論文 参考訳（メタデータ） (2026-07-01T07:18:07Z) - SemRF: A Semantic Reference Frame for Residual-Stream Dynamics in Language Models [22.84428628659889]
SemRFは、残留力学から意味的計測を分離するアンカーベースの形式主義である。
SemRFはアンカーを修正し、それらに対して状態を測定する。
フレームを固定すると、残差計算は深い意味軌道となる。
論文 参考訳（メタデータ） (2026-06-30T17:52:22Z) - Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。
独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。
Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
論文 参考訳（メタデータ） (2026-06-11T17:48:38Z) - On the Structural Failure of Chamfer Distance in 3D Shape Optimization [0.2891910035195719]
点当たりのチャンファー勾配は、前方項のユニークな引力である多対一の崩壊を引き起こすことを示す。
制御された2D設定では、共有基底は大域的な結合を提供することで崩壊を抑制する。
論文 参考訳（メタデータ） (2026-03-10T17:21:23Z) - How Transformers Reject Wrong Answers: Rotational Dynamics of Factual Constraint Processing [0.2538209532048866]
モデル処理が誤り継続に対して正しい場合,内部表現がネットワークの全深度にわたってどのように分散するかを検討する。
本稿では,既知の正確かつ不正な単一トークン継続で同一のクエリを提示する手法である強制補完探索を導入する。
まず, 正しい経路と誤経路が回転によって分岐し, 再スケーリングは行わない。
第二に、モデルは間違った入力に対して受動的に失敗せず、正しい答えを積極的に抑制し、内部確率を正しいトークンから遠ざける。
論文 参考訳（メタデータ） (2026-02-25T08:12:47Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳（メタデータ） (2021-06-17T12:25:44Z) - Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。
ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。
Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
論文 参考訳（メタデータ） (2020-11-03T02:57:01Z) - Learning Nonparametric Human Mesh Reconstruction from a Single Image
without Ground Truth Meshes [56.27436157101251]
そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。
これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
論文 参考訳（メタデータ） (2020-02-28T20:30:07Z)
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。