論文の概要: Extreme-Scale Super-Resolution of Homogeneous Turbulence from a Single Realization

• arxiv url: http://arxiv.org/abs/2610.20305v1
• Date: Wed, 14 Oct 2026 14:54:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.21122
• Title: Extreme-Scale Super-Resolution of Homogeneous Turbulence from a Single Realization
• Title（参考訳）: 単一実現による均一乱流の極大超解法
• Abstract要約: 単一実現パッチベースの学習は、高解像度のトレーニングデータが不足している場合、乱流超解像に対して有望なデータ効率のアプローチである。 これらの結果は,高分解能トレーニングデータが不足している場合の乱流超解像に対する有望なデータ効率のアプローチとして,単一実現パッチベースの学習を確立した。
• 参考スコア（独自算出の注目度）: 0.6008132390640294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Homogeneous turbulent flows exhibit recurring multiscale structures across spatially separated regions, suggesting that a single flow realization may contain sufficient information to learn representations of unresolved scales. We investigate this hypothesis through an extreme super-resolution framework in which a wide-activation deep super-resolution (WDSR) network is trained exclusively on overlapping patches extracted from a single high-resolution turbulent realization. Previously unseen flow fields are reconstructed through patchwise prediction followed by Hann-window-weighted overlap-add assembly. The framework is evaluated for two-dimensional homogeneous isotropic turbulence at super-resolution factors of x32 and x64, representing severe spatial under-resolution. Despite the limited training data, the proposed approach reconstructs coherent vortical structures and recovers fine-scale features more accurately than conventional interpolation. Spectral and statistical analyses further demonstrate improved recovery of high-wavenumber energy content and multiscale flow characteristics. To assess the effectiveness of exploiting internal spatial information, we compare the proposed framework against WDSR models trained on 1, 25, 50, and 100 complete high-resolution snapshots without patch extraction. This comparison distinguishes the benefits of localized learning from those associated with increasing the number of training realizations. The results demonstrate that exploiting spatial redundancy within a single turbulent realization enables accurate reconstruction of previously unseen flow fields, even under extreme spatial under-resolution. These findings establish single-realization patch-based learning as a promising data-efficient approach for turbulent super-resolution when high-resolution training data are scarce.
• Abstract（参考訳）: 均質な乱流は、空間的に分離された領域にまたがって連続するマルチスケール構造を示し、単一のフロー実現は未解決スケールの表現を学ぶのに十分な情報を含む可能性があることを示唆している。 本稿では,この仮説を,単一高分解能乱流実現法から抽出した重なり合うパッチに対して,広機能深部超解像(WDSR)ネットワークを専用に訓練した極超解像フレームワークを用いて検討する。 従来は未確認の流れ場はパッチワイズ予測によって再構築され,その後はHann-window-weighted overlap-add Assemblyが続く。 このフレームワークは、x32とx64の超解像係数における2次元均質等方性乱流に対して評価され、空間的過分解能が強い。 限られたトレーニングデータにもかかわらず、提案手法はコヒーレントな渦構造を再構成し、従来の補間よりも高精度に微細な特徴を復元する。 スペクトルおよび統計的分析により、高波数エネルギー量とマルチスケールフロー特性の回復がさらに向上したことが示されている。 内部空間情報の活用の有効性を評価するため,提案手法を,パッチ抽出なしで1,25,50,100個の完全高解像度スナップショットでトレーニングしたWDSRモデルと比較した。 この比較は、局所学習の利点と、トレーニング実現数の増加に関連するものとを区別する。 その結果, 単一乱流実現における空間的冗長性を利用して, 極端空間的低分解能下であっても, 既往の流動場を高精度に再現できることが示唆された。 これらの結果は,高分解能トレーニングデータが不足している場合の乱流超解像に対する有望なデータ効率のアプローチとして,単一実現パッチベースの学習を確立した。

関連論文リスト

• Learning Spatial-Spectral Refinement and Calibrating Complementary Observations for Hyperspectral Image Super-Resolution [10.566046888869828]
  Inlicit Neural Representation (TSR-ITNR) を用いた2段階再構成を提案する。 TSR-ITNRは暗黙のタッカー表現を学び、その低ランク係数とスペクトル基底を洗練させ、微細構造とバンド間相関をよりよく捉える。 複数のベンチマークデータセットに対する実験は、地上のトラストの監督なしに、強い量的、視覚的、およびスペクトル再構成性能を示す。
  論文  参考訳（メタデータ） (2026-09-04T15:56:10Z)
• Iterative Refinement Diffusion for Super-Resolved Data Assimilation of Multiscale Physical Systems [11.5117887420162]
  イテレーティブ・リファインメント(Iterative Refinement, IR)は、時間的事前の視点、生成的修正、多分解能再構成を組み合わせた学習データ同化フレームワークである。 256x256 Kraichnanベンチマークでは、IRは0.184のRMSEと0.836のSSIMを達成し、スペクトルアップサンプリング、ワンショット拡散超解像、拡張深度超解像、自己回帰予測器を上回ります。
  論文  参考訳（メタデータ） (2026-08-13T22:45:40Z)
• Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
  スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。 SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。 MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
  論文  参考訳（メタデータ） (2026-08-12T07:39:22Z)
• 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)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• OSDEnhancer: Taming Real-World Space-Time Video Super-Resolution with One-Step Diffusion [64.10689934231165]
  ビデオスーパーレゾリューションモデル(DM)は、ビデオスーパーレゾリューション(VSR)において極めて成功している。 時空ビデオスーパーレゾリューション(STVSR)の可能性は、低解像度から高解像度までのリアルな視覚コンテンツを回復する必要があるが、コヒーレントなダイナミックスでフレームレートを改善する必要がある。 提案するOSDEnhancerは,効率的なワンステップ拡散プロセスにより,実世界のSTVSRを初期化するための最初の手法である。 実験により,提案手法は実世界のシナリオにおいて優れた性能を維持しつつ,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-28T06:59:55Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Depth-Aware Super-Resolution via Distance-Adaptive Variational Formulation [5.1767204510818985]
  単一画像超解像は伝統的に空間的不変な劣化モデルを想定している。 実世界のイメージングシステムは、大気散乱、深度の変化、視点歪みなどの複雑な距離依存効果を示す。 空間的に変化する逆問題として超解像を特徴付ける厳密な変分フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-06T15:35:37Z)
• Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain [58.46450049579116]
  本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。 具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。 次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
  論文  参考訳（メタデータ） (2025-07-08T04:50:28Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)

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。