論文の概要: Comparative Study of Canvas- and Coordinate-Based Geometry-Conditioned Neural Networks for Real-Time Prediction of Indoor Environments with Varying Room Dimensions

• arxiv url: http://arxiv.org/abs/2610.15885v1
• Date: Sun, 11 Oct 2026 20:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.26609
• Title: Comparative Study of Canvas- and Coordinate-Based Geometry-Conditioned Neural Networks for Real-Time Prediction of Indoor Environments with Varying Room Dimensions
• Title（参考訳）: 室内環境の実時間予測のためのキャンバス型と座標型幾何型ニューラルネットワークの比較検討
• Abstract要約: 本研究では,室内気流と温度場予測のための2つの幾何条件ニューラルネットワークサロゲートモデルを比較した。 コンディショニングされた供給空気が、様々な高さと長さの部屋を通して、効果的に新鮮な冷気を供給するかどうかのリアルタイム評価に関係している。
• 参考スコア（独自算出の注目度）: 9.421019224814367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational fluid dynamics (CFD) is computationally expensive for iterative building design. Deep learning surrogates offer faster predictions, but generalization across varying room dimensions remains challenging. This study compares two geometry-conditioned neural network surrogate models for rapid indoor airflow and temperature field prediction under varying room sizes. During the architectural design stage, this method is relevant for real-time assessment of whether conditioned supply air will effectively provide fresh and cool air throughout rooms with varying heights and lengths. The canvas-based neural network (CaNN) explicitly encodes room size by preserving different occupied regions within a fixed canvas, whereas the coordinate-based neural network (CoNN) uses normalized coordinate channels. Both employ U-Net autoencoders to separately predict airflow and temperature fields. Evaluation uses simplified rooms with varying heights and lengths as a controlled benchmark. The results show that CaNN achieves higher agreement with CFD results than CoNN, demonstrating its potential to support performance-driven building design.
• Abstract（参考訳）: 計算流体力学(CFD)は反復的な建築設計には計算コストがかかる。 ディープラーニングサロゲートはより高速な予測を提供するが、様々な部屋次元にわたる一般化は依然として困難である。 本研究では,室内の高速気流と室径の異なる温度場予測のための2つの幾何条件ニューラルネットワークサロゲートモデルを比較した。 建築設計の段階では, コンディショニングされた給気が, 室内の温度や長さの異なる新鮮で冷涼な空気を効果的に供給するかどうかを, リアルタイムに評価する上で重要である。 キャンバスベースのニューラルネットワーク(CaNN)は、固定キャンバス内の異なる占有領域を保存することで、室サイズを明示的に符号化する一方、座標ベースニューラルネットワーク(CoNN)は正規化された座標チャネルを使用する。 どちらも、空気の流れと温度を別々に予測するためにU-Netオートエンコーダを使用している。 評価は、制御されたベンチマークとして、様々な高さと長さの単純化された部屋を使用する。 その結果、CNNはCNNよりもCFDと高い合意を達成しており、性能駆動型ビルディング設計をサポートする可能性を示している。

関連論文リスト

• SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
  入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。 本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T14:14:17Z)
• Design and Behavior of Sparse Mixture-of-Experts Layers in CNN-based Semantic Segmentation [10.912224105652044]
  Sparse Mixed-of-Experts (MoE) 層は, 計算コストの比例的な増加を伴わずに, モデルキャパシティを大幅に向上することが示されている。 スパースMoE層を畳み込みニューラルネットワーク(CNN)に統合することは相容れない。 本研究では,セマンティックセグメンテーションのためのスパースMoE層の粗いパッチワイドな定式化について検討する。
  論文  参考訳（メタデータ） (2026-04-15T11:47:34Z)
• K-DAREK: Distance Aware Error for Kurkova Kolmogorov Networks [3.460138063155115]
  我々はクルコバ・コルモゴロフネットワーク(K-DAREK)に対する新しい学習アルゴリズムを開発した。 提案手法は,距離を意識した頑健な誤差境界を確立する。つまり,テストポイントから最寄りのトレーニングポイントまでの距離を反映する。
  論文  参考訳（メタデータ） (2025-10-24T20:49:59Z)
• DIRESA, a distance-preserving nonlinear dimension reduction technique based on regularized autoencoders [0.0]
  気象学では、過去のデータセットで類似した気象パターンやアナログを見つけることは、データの同化、予測、後処理に有用である。 本稿では,オートエンコーダ(AE)ニューラルネットワークを用いた次元削減手法を提案し,データセットを圧縮し,解釈可能な圧縮潜在空間で探索を行う。 距離規則化されたシームズ双対オートエンコーダ(DIRESA)アーキテクチャは、データセット内の非線形性を捕捉しながら、潜時空間における距離を保存するように設計されている。
  論文  参考訳（メタデータ） (2024-04-28T20:54:57Z)
• Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
  本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。 我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。 ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-26T04:34:28Z)
• Pseudo-Inverted Bottleneck Convolution for DARTS Search Space [35.50068534514941]
  本稿では,ConvNeXt で提案された逆ボトルネックブロックの計算フットプリントを削減することを目的とした Pseudo-Inverted Bottleneck (PIBConv) ブロックを提案する。 提案したアーキテクチャは, 評価層数に対してはるかに感度が低く, DARTSネットワークを2。
  論文  参考訳（メタデータ） (2022-12-31T22:56:04Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)

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。