論文の概要: Generative AI models for exploring diffusion dynamics from multi-frame particle tracking
- arxiv url: http://arxiv.org/abs/2611.16163v1
- Date: Thu, 12 Nov 2026 01:50:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.298417
- Title: Generative AI models for exploring diffusion dynamics from multi-frame particle tracking
- Title(参考訳): 多フレーム粒子追跡による拡散ダイナミクスの探索のための生成AIモデル
- Abstract要約: DiffTR-Flow3Dは3時間拡散過程によるモーション記録からのフローを推定するツールである。
数値シミュレーションや実世界の測定を含む実験により、DiffTR-Flow3Dが最先端の変位推定精度を実現することが示された。
この研究は流体研究者に、時間的にアンダーサンプリングされた3次元配列における粒子軌道の一貫性と精密な解析のための効果的なツールを提供することが期待されている。
- 参考スコア(独自算出の注目度): 61.53921007663808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle-based volumetric flow measurement techniques have proven their efficacy in quantitatively assessing the dynamic characteristics of unsteady flows within the realm of fluid mechanics. Despite recent advances in multi-frame particle tracking, an open challenge in this area is maintaining trajectories in temporally under-sampled 3D sequences, where inter-frame displacements are large. In this work, we develop DiffTR-Flow3D, a diffusion-based model that estimates flow motion from spatiotemporal three-dimensional particle recordings via a stochastic diffusion process. DiffTR-Flow3D conditions the diffusion process with both global and local particle dynamics and enhances flow estimation by leveraging historical particle trajectories. Extensive experiments, including numerical simulations and real-world measurements, demonstrate that DiffTR-Flow3D achieves state-of-the-art displacement estimation accuracy compared with learning-based flow estimators, and, when integrated into particle tracking pipelines, substantially improves their long-term tracking performance, while exhibiting robustness and generalization across diverse flow patterns. This work is expected to provide fluid researchers with an effective tool for the consistent and precise analysis of particle trajectories in temporally under-sampled 3D sequences with large inter-frame displacements.
- Abstract(参考訳): 流体力学領域における非定常流の動的特性を定量的に評価する上で, 粒子ベース容積流量測定法の有効性が証明されている。
近年の多フレーム粒子追跡の進歩にもかかわらず、この領域のオープンな課題は、フレーム間の変位が大きい時間的にアンダーサンプリングされた3Dシーケンスにおける軌道を維持することである。
本研究では,時空間3次元粒子記録から確率拡散過程を通じて流れの運動を推定する拡散モデルDiffTR-Flow3Dを開発した。
DiffTR-Flow3Dは、大域的および局所的な粒子力学の拡散過程を条件とし、過去の粒子軌道を利用して流れの推定を強化する。
DiffTR-Flow3Dは、学習に基づくフロー推定器と比較して、最先端の変位推定精度を達成し、粒子追跡パイプラインに統合された場合、様々なフローパターンにまたがる堅牢性と一般化を示しながら、その長期追跡性能を大幅に改善することを示した。
この研究は流体研究者に、フレーム間変位が大きい時間的にアンダーサンプリングされた3次元配列における粒子軌道の一貫性と精密な解析のための効果的なツールを提供することが期待されている。
関連論文リスト
- StreamPhy: Streaming Inference of High-Dimensional Physical Dynamics via State Space Models [18.54324737751976]
StreamPhyは、不規則な測定からフルフィールド物理力学の効率的なストリーミング推論を可能にするエンドツーエンドフレームワークである。
StreamPhyの精度は48%向上し,拡散法よりも最大20~100倍高速である。
論文 参考訳(メタデータ) (2026-05-08T07:40:59Z) - EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。
本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。
動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。
最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
論文 参考訳(メタデータ) (2025-03-14T13:15:54Z) - Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。
近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
論文 参考訳(メタデータ) (2024-10-31T14:26:10Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳(メタデータ) (2024-06-17T10:21:01Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - GotFlow3D: Recurrent Graph Optimal Transport for Learning 3D Flow Motion
in Particle Tracking [11.579751282152841]
粒子追跡速度計(PTV)のような流れの可視化技術は、自然と産業のプロセスから発生する3次元乱流の全広さを理解するために広く用いられている。
3D取得技術の進歩にもかかわらず、粒子追跡における動き推定アルゴリズムは、大きな粒子変位、高密度粒子分布、高い計算コストにおいて大きな課題である。
グラフ最適輸送に基づく新しいディープニューラルネットワークを導入することにより、両フレーム粒子集合から3次元流体の流れを学習するためのエンドツーエンドのソリューションを提案する。
論文 参考訳(メタデータ) (2022-10-31T02:05:58Z) - Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning [6.91821181311687]
等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
論文 参考訳(メタデータ) (2022-10-05T15:46:28Z)
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。