抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
スパース測定からのフィールド量の再構成は,広範囲の応用で生じる問題である。このタスクは,スパース測定とフィールド量の間のマッピングが教師なし方式で実行される場合に特に困難である。移動センサおよび/またはランダムオンオフ状態に対して,さらなる複雑性を追加した。このような条件下で,最も直接的な解は,規則的格子上に散乱データを補間することである。しかし,このアプローチによって達成された空間分解能は,最終的にスパース測定間の平均間隔によって制限される。本研究では,全視野高分解能訓練を必要とせずに,ランダムスパースセンサからフィールド量を推定するための超解像度生成敵対ネットワーク(GAN)フレームワークを提案した。アルゴリズムはランダムサンプリングを利用して,{高分解能}の根底にある分布の不完全な見解を提供した。これをRAndoly-SEEDed超解像GAN(RaSeedGAN)と呼ぶ。流体流シミュレーション,海洋表面温度分布測定,およびゼロ圧力勾配乱流境界層の粒子画像速度計測データの合成データベースで,提案した方法を試験した。結果は,高いスパース性またはノイズレベルの場合でさえ優れた性能を示した。著者らの知る限り,これは完全場高分解能表現を必要としないランダムシード場からの全視野高分解能推定のための最初のGANアルゴリズムである。【JST・京大機械翻訳】