Buchumschlag

Dynamic Reconstruction of Ultrasound-Derived Flow Fields With Physics-Informed Neural Fields

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Patel, Viraj, Kreusser, Lisa, Fraser, Katharine
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing Dynamic CT Image Reconstruction with Neural Fields and Optical Flow
von: Arratia, Pablo, et al.
Veröffentlicht: (2024)

Learning Disease-Sensitive Latent Interaction Graphs From Noisy Cardiac Flow Measurements
von: Patel, Viraj, et al.
Veröffentlicht: (2026)

Enforcing convex constraints in Graph Neural Networks
von: Rashwan, Ahmed, et al.
Veröffentlicht: (2025)

Parallel-in-Time Solutions with Random Projection Neural Networks
von: Betcke, Marta M., et al.
Veröffentlicht: (2024)

Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data
von: Chu, Mengyu, et al.
Veröffentlicht: (2022)

Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization
von: Xiao, Renjie, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks with Architectural Physics Embedding for Large-Scale Wave Field Reconstruction
von: Zhang, Huiwen, et al.
Veröffentlicht: (2026)

Factored Value Functions for Graph-Based Multi-Agent Reinforcement Learning
von: Rashwan, Ahmed, et al.
Veröffentlicht: (2026)

Monotone Optimisation with Learned Projections
von: Rashwan, Ahmed, et al.
Veröffentlicht: (2026)

3D Magnetic Field Reconstruction and Mapping with Physics-Informed Neural Networks
von: Yu, Haohan, et al.
Veröffentlicht: (2026)

Sparse-to-Field Reconstruction via Stochastic Neural Dynamic Mode Decomposition
von: Kim, Yujin, et al.
Veröffentlicht: (2025)

Physics-Informed Graph Neural Networks to Reconstruct Local Fields Considering Finite Strain Hyperelasticity
von: Garban, Manuel Ricardo Guevara, et al.
Veröffentlicht: (2025)

Latent Field Discovery In Interacting Dynamical Systems With Neural Fields
von: Kofinas, Miltiadis, et al.
Veröffentlicht: (2023)

Representing Flow Fields with Divergence-Free Kernels for Reconstruction
von: Ni, Xingyu, et al.
Veröffentlicht: (2025)

Antenna Near-Field Reconstruction from Far-Field Data Using Convolutional Neural Networks
von: Bagherkhani, Sahar, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Network Approaches for Sparse Data Flow Reconstruction of Unsteady Flow Around Complex Geometries
von: Malineni, Vamsi Sai Krishna, et al.
Veröffentlicht: (2025)

Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction
von: Zhu, Ziyuan, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Learning for State Reconstruction and Parameter Identification in Coupled Greenhouse Climate Dynamics
von: Biswas, Sani, et al.
Veröffentlicht: (2026)

Continuous Field Reconstruction from Sparse Observations with Implicit Neural Networks
von: Luo, Xihaier, et al.
Veröffentlicht: (2024)

Non-Invasive Reconstruction of Cardiac Activation Dynamics Using Physics-Informed Neural Networks
von: Dermul, Nathan, et al.
Veröffentlicht: (2026)

Curly Flow Matching for Learning Non-gradient Field Dynamics
von: Petrović, Katarina, et al.
Veröffentlicht: (2025)

DeepVekua: Geometric-Spectral Representation Learning for Physics-Informed Fields
von: Khasia, Vladimer
Veröffentlicht: (2025)

Prior-Informed Flow Matching for Graph Reconstruction
von: Chen, Harvey, et al.
Veröffentlicht: (2026)

Physics-Informed Learning of Flow Distribution and Receiver Heat Losses in Parabolic Trough Solar Fields
von: Matthes, Stefan, et al.
Veröffentlicht: (2025)

Physics-informed Blind Reconstruction of Dense Fields from Sparse Measurements using Neural Networks with a Differentiable Simulator
von: Aloni, Ofek, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Nets for Control of Dynamical Systems
von: Antonelo, Eric Aislan, et al.
Veröffentlicht: (2021)

Coupled Diffusion-Encoder Models for Reconstruction of Flow Fields
von: Hemmasian, AmirPouya, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
von: Hoshisashi, Kentaro, et al.
Veröffentlicht: (2026)

Uncertainty-Aware Flow Field Reconstruction Using SVGP Kolmogorov-Arnold Networks
von: Ju, Y. Sungtaek
Veröffentlicht: (2025)

Derived Fields Preserve Fine-Scale Detail in Budgeted Neural Simulators
von: Wang, Wenshuo, et al.
Veröffentlicht: (2026)

Equidistribution-based training of Free Knot Splines and ReLU Neural Networks
von: Appella, Simone, et al.
Veröffentlicht: (2024)

Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors
von: Li, Shihang, et al.
Veröffentlicht: (2025)

Physics-Informed Neural PDE Solvers via Spatio-Temporal MeanFlow
von: Bai, Hanru, et al.
Veröffentlicht: (2026)

Investigating Nonlinear Quenching Effects on Polar Field Buildup in the Sun Using Physics-Informed Neural Networks
von: Athalathil, Jithu J., et al.
Veröffentlicht: (2026)

Steering Rectified Flow Models in the Vector Field for Controlled Image Generation
von: Patel, Maitreya, et al.
Veröffentlicht: (2024)

LoFi: Neural Local Fields for Scalable Image Reconstruction
von: Khorashadizadeh, AmirEhsan, et al.
Veröffentlicht: (2024)

Models for information propagation on graphs
von: Dunbar, Oliver R. A., et al.
Veröffentlicht: (2022)

MTL-FNO: A Lightweight Multi-Task Fourier Neural Operator for Sparse Field Reconstruction
von: Ye, Siyu, et al.
Veröffentlicht: (2026)

FR-Mamba: Time-Series Physical Field Reconstruction Based on State Space Model
von: Long, Jiahuan, et al.
Veröffentlicht: (2025)

Mass Conservation on Rails -- Rethinking Physics-Informed Learning of Ice Flow Vector Fields
von: Bente, Kim, et al.
Veröffentlicht: (2025)