論文の概要: OCL-PDE: A Generative Framework for PDE Inverse Problems with Observation-Complementary Latents
- arxiv url: http://arxiv.org/abs/2610.06259v1
- Date: Mon, 05 Oct 2026 12:54:06 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 21:29:21.541189
- Title: OCL-PDE: A Generative Framework for PDE Inverse Problems with Observation-Complementary Latents
- Title（参考訳）: OCL-PDE:観測補足子を用いたPDE逆問題生成フレームワーク
- Abstract要約: 本稿では, 復元関連情報を保存し, 観測と組み合わせて未知のフィールドを再構築する, 学習された観察補足型潜伏表現を提案する。
OCL-PDEは,大規模構造を導出するための観測フレームワークであり,補助的な微視的詳細情報を提供するための潜水器である。
- 参考スコア（独自算出の注目度）: 14.404772751973384
- License:
- Abstract: Partial differential equation (PDE) inverse problems are often ill-posed, making fine-scale details difficult to recover. We address this problem by introducing a learned observation-complementary latent representation that preserves reconstruction-relevant information and is combined with the observation to reconstruct the unknown field. Building on this representation, we propose OCL-PDE, a generative framework that encourages the observation to guide large-scale structure and the latent to supply complementary fine-scale details. OCL-PDE is built on a physics-aware autoencoder (AE) and conditional Flow Matching, supporting inverse reconstruction as well as forward PDE prediction. Experiments demonstrate improved reconstruction accuracy and fine-detail recovery compared with the evaluated baselines.
- Abstract（参考訳）: 偏微分方程式(PDE)の逆問題はしばしば不完全であり、微細な詳細を復元することが困難である。
本稿では, 復元関連情報を保存し, 未知のフィールドを再構築するための観測と組み合わせた, 学習された観察補足表現を導入することで, この問題に対処する。
OCL-PDEは,大規模構造を導出するための観測フレームワークであり,補助的な微視的詳細情報を提供するための潜水器である。
OCL-PDEは、物理対応オートエンコーダ(AE)と条件付きフローマッチングに基づいて構築され、逆再構成と前方PDE予測をサポートする。
再現精度と細部回復率を評価ベースラインと比較した実験を行った。
関連論文リスト
- Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。
REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
論文 参考訳（メタデータ） (2026-10-04T16:54:37Z) - SCOPE: Observation-Conditioned Full-Target Prediction for Sparse PDE Inference [38.94536797306049]
スパース観測から完全PDEフィールドを復元するためのSCOPE(Sparse-Context Observability-aware Predictive Embeddings)を提案する。
共有デコーダは、予測と完全ビューの両方の表現からフィールドを再構成し、表現学習を物理回復と潜在マッチングの両方でガイドする。
論文 参考訳（メタデータ） (2026-09-29T02:19:19Z) - Latent Diffusion Posterior Sampling with Surrogate Likelihood Guidance for PDE Inverse Problems [48.15157016272698]
潜在空間拡散後サンプリング(L-DPS)は偏微分方程式(PDE)によって支配される高次元逆問題に対する近似ベイズ的枠組みである
L-DPSは、正確で堅牢な逆解を生成し、フルスペースDPSに対する推論コストを低減し、スパースおよびノイズレシエーションにおいて、償却された逆ベースラインより優れる。
論文 参考訳（メタデータ） (2026-06-25T04:33:44Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-19T04:40:50Z) - DegBins: Degradation-Driven Binning for Depth Super-Resolution [57.61783461543096]
DegBinsは、劣化駆動のビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークである。
DegBinsは、精度、堅牢性、一般化の観点から、既存の最先端メソッドを一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-10T16:17:11Z) - Learning Interpretable PDE Representations for Generative Reconstructions with Structured Sparsity [0.0]
本稿では,スパース観測と超解像を同時に解決する潜在拡散フレームワークであるLatentPDEを紹介する。
我々は、仮定されたPDEの係数とソース項として、潜伏変数を直接パラメータ化する。
論文 参考訳（メタデータ） (2026-04-26T20:14:17Z) - Graph Neural Regularizers for PDE Inverse Problems [62.49743146797144]
本稿では,偏微分方程式(PDE)によって支配される多種多様な不測の逆問題を解くための枠組みを提案する。
有限要素法(FEM)を用いて前方問題の数値解法
我々は、物理に着想を得たグラフニューラルネットワークを学習正規化器として採用し、標準アプローチの頑健で解釈可能な、一般化可能な代替手段を提供する。
論文 参考訳（メタデータ） (2025-10-23T21:43:25Z) - Stability and Generalizability in SDE Diffusion Models with Measure-Preserving Dynamics [11.919291977879801]
逆問題では、測定やデータから因果因子を推定する過程を記述する。
拡散モデルは、逆問題を解決する強力な生成ツールとして期待されている。
論文 参考訳（メタデータ） (2024-06-19T15:55:12Z)
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。