論文の概要: Analyzing Condensation on Patterned Surfaces via Deep Learning

• arxiv url: http://arxiv.org/abs/2610.39195v1
• Date: Thu, 29 Oct 2026 02:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.447861
• Title: Analyzing Condensation on Patterned Surfaces via Deep Learning
• Title（参考訳）: 深層学習によるパターン面の凝縮の解析
• Abstract要約: 液滴凝縮は電力と水系の鍵となる。 既存のセグメンテーション法では、不均一表面上の液滴を検出できない。 私たちは、Segment Anything Model 3上に構築されたユニバーサルドロップレットセグメンテーションツールであるTileSAM3を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dropwise condensation is key to power and water systems. State-of-the-art condensation surfaces are often inhomogeneous, either patterned by design or random defects. Inhomogeneous surface features dictate the rates of each stage of dropwise condensation-nucleation, growth, coalescence, and shedding. Characterizing these rates requires the precise detection of thousands of droplets. Yet, existing segmentation methods are unable to detect droplets on inhomogeneous surfaces. We developed TileSAM3, a universal droplet segmentation tool built on the Segment Anything Model 3 (SAM3). Hierarchical tiling with per-tile inference followed by post-processing extended SAM3's detection cap and raised the effective resolution of small droplets. We created two datasets: High Quality Droplet Dataset (N=365,826; HQDD) with homogeneous surfaces and Low Quality Droplet Dataset (N=63,577; LQDD) with patterned, defect-laden surfaces under adverse lighting. TileSAM3 closely reproduced thresholding annotations on HQDD, surpassed it over sixfold on LQDD (Average Precision 0.57 versus 0.088), and outperformed other deep learning models on all metrics evaluated. Combined with KD-tree tracking, TileSAM3 identified localized nucleation and coalescence in narrow active bands on a stiffness-patterned surface. TileSAM3 enables analysis of understudied inhomogeneous substrates with poor lighting and videography which facilitates faster, lower cost research of condensation materials.
• Abstract（参考訳）: 液滴凝縮は電力と水系の鍵となる。 最先端の凝縮面は、しばしば不均一であり、設計やランダムな欠陥によってパターン化される。 不均質表面の特徴は, 凝縮核形成, 成長, 石炭化, シーディングの各段階の速度を規定する。 これらの速度を特徴づけるためには、数千の滴を正確に検出する必要がある。 しかし、既存のセグメンテーション法では、不均一表面上の液滴を検出できない。 我々は,Segment Anything Model 3 (SAM3) 上に構築されたユニバーサルドロップレットセグメンテーションツール TileSAM3 を開発した。 階層的タイリングとタイルごとの推論を行い,SAM3の検出キャップを後処理し,小滴の有効分解能を高めた。 均一な面をもつ高品質液滴データセット (N=365,826; HQDD) と、不規則な光の下でパターン化された欠陥のある面を持つ低品質液滴データセット (N=63,577; LQDD) の2つのデータセットを作成した。 TileSAM3はHQDDのしきい値アノテーションを密に再現し、LQDD(平均精度0.57対0.088)の6倍を超え、評価されたすべてのメトリクスで他のディープラーニングモデルよりも優れていた。 KD-tree Trackと組み合わせて、TileSAM3は硬さパターンの表面の狭い活性帯の局在した核形成と合体を同定した。 TileSAM3は、光源とビデオ撮影が貧弱な未均質基板の解析を可能にし、凝縮材料のより高速で低コストな研究を容易にする。

関連論文リスト

• Beyond Isotropic Assumptions: Continuity-Constrained Segmentation and GPU Morphometry for Nanoscale GBM Analysis [1.3107669223114085]
  共焦点顕微鏡による3Dの複雑な生物学的構造を解明する。 セグメンテーションモデルをトレーニングするには、アップサンプリングされた空間で密集したアノテーションが必要であり、これは禁止的なラベル付けの負担である。 我々は、追加のアノテーションなしでこれを克服するエンドツーエンドのGPUアクセラレーションフレームワークを提示します。
  論文  参考訳（メタデータ） (2026-08-04T18:28:19Z)
• Recurrent Transformer U-Net Surrogate for Flow Modeling and Data Assimilation in Subsurface Formations with Faults [0.0]
  本研究では, 実断層下帯水層における圧力およびCO2飽和度を予測するために, 再帰型変圧器U-Netサロゲートモデルを開発した。 このジオモデルには、ターゲット帯水層(超臨界二酸化炭素が注入される場所)、周辺地域、キャップロック、2つの広範な断層、2つのオーバーライド帯水層が含まれる。
  論文  参考訳（メタデータ） (2025-08-15T18:56:45Z)
• SegmentDreamer: Towards High-fidelity Text-to-3D Synthesis with Segmented Consistency Trajectory Distillation [37.329698607074114]
  テキスト・ツー・3D生成の最近の進歩は、スコア蒸留サンプリング(SDS)とそのバリエーションの視覚的品質を改善している。 自己整合性と相互整合性の不均衡のため、CDベースの手法は本質的に不適切な条件ガイダンスに悩まされる。 我々は,高忠実度テキスト・ツー・3D生成のための一貫性モデルの可能性を完全に解き放つために設計された新しいフレームワークであるSegmentDreamerを提案する。
  論文  参考訳（メタデータ） (2025-07-07T17:59:05Z)
• SeaLion: Semantic Part-Aware Latent Point Diffusion Models for 3D Generation [13.304150180300208]
  細かなセグメンテーションラベルを持つ点雲を生成するために設計された新しい拡散モデルSeaLionを提案する。 P-CD(Part-Aware Chamfer distance)と呼ばれる新しい点雲対距離計算法も導入する。 大規模合成データセットShapeNetと実世界の医療データセットIntrAの実験は、SeaLionが世代品質と多様性において顕著なパフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2025-05-23T10:38:05Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• Trajectory Consistency Distillation: Improved Latent Consistency Distillation by Semi-Linear Consistency Function with Trajectory Mapping [75.72212215739746]
  軌道整合性蒸留(TCD)は、軌道整合性と戦略的サンプリングを含む。 TCDは低NFEで画像品質を著しく向上させるが、教師モデルと比較してより詳細な結果が得られる。
  論文  参考訳（メタデータ） (2024-02-29T13:44:14Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• StereoDistill: Pick the Cream from LiDAR for Distilling Stereo-based 3D Object Detection [93.10989714186788]
  ステレオ法とLiDAR法とのギャップを狭めるため,StereoDistillというクロスモーダル蒸留法を提案する。 StereoDistillの主な設計は、回帰のためのX-component Guided Distillation(XGD)と分類のためのCLD(Cross-anchor Logit Distillation)である。
  論文  参考訳（メタデータ） (2023-01-04T13:38:48Z)

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。