論文の概要: PCP-GAN: Property-Constrained Pore-scale image reconstruction via conditional Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2510.19465v1
• Date: Wed, 22 Oct 2025 10:54:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.717163
• Title: PCP-GAN: Property-Constrained Pore-scale image reconstruction via conditional Generative Adversarial Networks
• Title（参考訳）: PCP-GAN:条件付き生成逆数ネットワークによる特性制約付き多孔質画像再構成
• Authors: Ali Sadeghkhani, Brandon Bennett, Masoud Babaei, Arash Rabbani,
• Abstract要約: 本研究では,多条件生成適応ネットワーク(cGAN)フレームワークを提案する。 このフレームワークは、炭酸塩の形成の4つの深さ (1879.50-1943.50 m) から薄い部分のサンプルで訓練された。
• 参考スコア（独自算出の注目度）: 0.017633676363694336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Obtaining truly representative pore-scale images that match bulk formation properties remains a fundamental challenge in subsurface characterization, as natural spatial heterogeneity causes extracted sub-images to deviate significantly from core-measured values. This challenge is compounded by data scarcity, where physical samples are only available at sparse well locations. This study presents a multi-conditional Generative Adversarial Network (cGAN) framework that generates representative pore-scale images with precisely controlled properties, addressing both the representativeness challenge and data availability constraints. The framework was trained on thin section samples from four depths (1879.50-1943.50 m) of a carbonate formation, simultaneously conditioning on porosity values and depth parameters within a single unified model. This approach captures both universal pore network principles and depth-specific geological characteristics, from grainstone fabrics with interparticle-intercrystalline porosity to crystalline textures with anhydrite inclusions. The model achieved exceptional porosity control (R^2=0.95) across all formations with mean absolute errors of 0.0099-0.0197. Morphological validation confirmed preservation of critical pore network characteristics including average pore radius, specific surface area, and tortuosity, with statistical differences remaining within acceptable geological tolerances. Most significantly, generated images demonstrated superior representativeness with dual-constraint errors of 1.9-11.3% compared to 36.4-578% for randomly extracted real sub-images. This capability provides transformative tools for subsurface characterization, particularly valuable for carbon storage, geothermal energy, and groundwater management applications where knowing the representative morphology of the pore space is critical for implementing digital rock physics.
• Abstract（参考訳）: 空間的不均一性が抽出されたサブイメージをコア測定値から大きく逸脱させるため、バルク形成特性にマッチする真の代表的細孔スケール画像を取得することは、地下特性の基本的な課題である。 この課題はデータ不足によって複雑化しており、物理的なサンプルはスパース井戸でのみ利用可能である。 本研究では,多条件生成適応ネットワーク(cGAN)フレームワークを提案する。 このフレームワークは、炭酸塩生成の4つの深さ (1879.50-1943.50 m) の薄い部分のサンプルを用いて訓練され、同時に1つの統一モデル内のポーシティ値と深さパラメータを条件とした。 このアプローチは、粒子間結晶性多孔質の粒石織物から無水物を含む結晶質のテクスチャまで、普遍的な細孔網の原理と深さ特異的な地質特性の両方を捉えている。 このモデルは、平均絶対誤差0.0099-0.0197の全ての生成物に対して例外的なポロシティ制御(R^2=0.95)を達成した。 形態的検証により, 平均孔径, 比表面積, トルティシティなどの臨界孔網特性の保存が確認された。 最も顕著に、生成された画像は、ランダムに抽出された実サブイメージに対して36.4-578%に対して、二重制約誤差が1.9-11.3%で優れた代表性を示した。 この能力は、特に炭素貯蔵、地熱エネルギー、地下水管理の用途に有用であり、細孔空間の代表的な形態を知ることは、デジタルロック物理を実装する上で重要である。

関連論文リスト

• 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)
• Exploring the Effectiveness of Deep Features from Domain-Specific Foundation Models in Retinal Image Synthesis [0.0]
  医療画像におけるニューラルネットワークモデルの採用は、厳格なプライバシー規制、データ可用性の制限、高い取得コスト、人口統計バイアスによって制限されている。 本研究では,大規模なドメインデータ,カラー・ファンド・イメージングに基づいて訓練された大規模基盤モデルの深部活性化層に基づく距離ベース損失関数が,知覚的損失とエッジ検出に基づく損失関数よりも有利であるかどうかを実験的に検討した。
  論文  参考訳（メタデータ） (2025-06-13T13:09:11Z)
• Controlled Latent Diffusion Models for 3D Porous Media Reconstruction [2.61662361742721]
  多孔質媒体の3次元デジタル再構成は、地球科学の根本的な課題である。 本稿では,EDMフレームワーク内で動作する潜伏拡散モデルを用いて,この問題に対処する計算フレームワークを提案する。 提案手法は,バイナリボリュームで訓練されたカスタム変分オートエンコーダを用いて次元性を低減し,効率を向上し,より大きなボリュームの生成を可能にする。
  論文  参考訳（メタデータ） (2025-03-31T13:36:55Z)
• Constrained Transformer-Based Porous Media Generation to Spatial Distribution of Rock Properties [0.0]
  3次元マイクロ計算トモグラフィーデータの情報に基づく岩石画像の細孔スケールモデリングは複雑な地下過程の研究に不可欠である。 本稿では,ベクトル量子化変分オートエンコーダ(VQVAE)と空間上向きおよび任意の3次元多孔質メディア再構成のためのトランスフォーマモデルを組み合わせた2段階モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T19:03:33Z)
• SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion Model [63.685132323224124]
  制御可能な球状パノラマ画像生成は、様々な領域でかなりの応用可能性を持っている。 本稿では,これらの課題に対処するために,SphereDiffusionの新しいフレームワークを提案する。 Structured3Dデータセットの実験では、SphereDiffusionは制御可能な球面画像生成の品質を大幅に改善し、平均して約35%のFIDを相対的に削減している。
  論文  参考訳（メタデータ） (2024-03-15T06:26:46Z)
• DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein Distance in Deep Feature Space [67.07476542850566]
  本稿では,統計的分布の観点から知覚空間の品質劣化をモデル化する。 品質は、深い特徴領域におけるワッサーシュタイン距離に基づいて測定される。 ニューラルネットワークの特徴に基づいて実行されるディープワッサースタイン距離(ディープWSD)は、品質汚染のより良い解釈性をもたらす。
  論文  参考訳（メタデータ） (2022-08-05T02:46:12Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Deep learning for lithological classification of carbonate rock micro-CT images [52.77024349608834]
  本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。 4つの畳み込みニューラルネットワークモデルが提案された。 精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
  論文  参考訳（メタデータ） (2020-07-30T19:14:00Z)
• DeePore: a deep learning workflow for rapid and comprehensive characterization of porous materials [0.0]
  DeePoreは、マイクロトモグラフィー画像に基づく幅広い多孔質材料特性を推定するためのディープラーニングワークフローである。 我々は,2563ボクセルの大きさの多孔質ジオマテリアルの半実3次元構造を17700個生成し,各試料の物理特性を,対応する細孔ネットワークモデル上の物理シミュレーションを用いて計算した。 CNNは、このデータセットに基づいて、多孔質材料のいくつかの形態的、水圧的、電気的、機械的特性を1秒で推定するように訓練されている。
  論文  参考訳（メタデータ） (2020-05-03T08:46:09Z)
• Multi-Scale Thermal to Visible Face Verification via Attribute Guided Synthesis [55.29770222566124]
  可視画像から抽出した属性を用いて、熱画像から属性保存された可視画像を合成し、クロスモーダルマッチングを行う。 抽出した属性によって導かれる熱画像から可視像を合成するために, 新規なマルチスケールジェネレータを提案する。 事前訓練されたVGG-Faceネットワークを利用して、合成画像と入力可視画像から特徴を抽出し、検証を行う。
  論文  参考訳（メタデータ） (2020-04-20T01:45:05Z)

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。