論文の概要: Coupled Physics-Gated Adaptation: Spatially Decoding Volumetric Photochemical Conversion in Complex 3D-Printed Objects

• arxiv url: http://arxiv.org/abs/2511.19913v1
• Date: Tue, 25 Nov 2025 04:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.273156
• Title: Coupled Physics-Gated Adaptation: Spatially Decoding Volumetric Photochemical Conversion in Complex 3D-Printed Objects
• Title（参考訳）: Coupled Physics-Gated Adaptation:複雑な3Dプリント物体における体積光化学変換の空間デコード
• Authors: Maryam Eftekharifar, Churun Zhang, Jialiang Wei, Xudong Cao, Hossein Heidari,
• Abstract要約: 本稿では,3次元視覚データから高密度で非視覚的特性を予測するコンピュータビジョンタスクを提案する。 本稿では,新しい多モード融合アーキテクチャであるCoupled Physics-Gated Adaptation (C-PGA)を提案する。 このアプローチは、従来のポストプリント計測の必要性を排除し、仮想的な化学的特徴化のブレークスルーを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a framework that pioneers the prediction of photochemical conversion in complex three-dimensionally printed objects, introducing a challenging new computer vision task: predicting dense, non-visual volumetric physical properties from 3D visual data. This approach leverages the largest-ever optically printed 3D specimen dataset, comprising a large family of parametrically designed complex minimal surface structures that have undergone terminal chemical characterisation. Conventional vision models are ill-equipped for this task, as they lack an inductive bias for the coupled, non-linear interactions of optical physics (diffraction, absorption) and material physics (diffusion, convection) that govern the final chemical state. To address this, we propose Coupled Physics-Gated Adaptation (C-PGA), a novel multimodal fusion architecture. Unlike standard concatenation, C-PGA explicitly models physical coupling by using sparse geometrical and process parameters (e.g., surface transport, print layer height) as a Query to dynamically gate and adapt the dense visual features via feature-wise linear modulation (FiLM). This mechanism spatially modulates dual 3D visual streams-extracted by parallel 3D-CNNs processing raw projection stacks and their diffusion-diffraction corrected counterparts allowing the model to recalibrate its visual perception based on the physical context. This approach offers a breakthrough in virtual chemical characterisation, eliminating the need for traditional post-print measurements and enabling precise control over the chemical conversion state.
• Abstract（参考訳）: 本稿では,複雑な3次元プリントオブジェクトにおける光化学変換の予測を先導し,高密度で非視覚的な物理特性を3次元視覚データから予測する,新しいコンピュータビジョンタスクを提案する。 このアプローチは、終端の化学的特徴を持つパラメトリック設計された複雑な表面構造からなる、最も大きな光学的に印刷された3Dサンプルデータセットを活用する。 従来の視覚モデルは、最終化学状態を管理する光学物理学(回折、吸収)と物質物理学(拡散、対流)の結合した非線形相互作用に対して誘導バイアスが欠けているため、この課題に不適である。 そこで本研究では,新しい多モード融合アーキテクチャであるCoupled Physics-Gated Adaptation (C-PGA)を提案する。 通常の結合とは異なり、C-PGAは、細かな幾何学的およびプロセスパラメータ(例えば、表面輸送、プリント層の高さ)をクエリとして使用して、機能ワイド線形変調(FiLM)により、高密度な視覚的特徴を動的にゲートし、適応させることによって、物理的結合を明示的にモデル化する。 この機構は、平行な3D-CNNによって抽出される2つの3次元視覚ストリームを空間的に変調して生のプロジェクションスタックと拡散回折補正する。 このアプローチは、従来のポストプリント測定の必要性を排除し、化学変換状態の正確な制御を可能にする。

関連論文リスト

• Physics-Informed Deformable Gaussian Splatting: Towards Unified Constitutive Laws for Time-Evolving Material Field [31.2769262836663]
  本研究では物理インフォームド・デフォルマブル・ガウス・スティング(PIDG)を提案する。 具体的には,静的非結合な4Dハッシュ符号化を用いて,形状と動きを効率的に再構成する。 さらに、ラグランジアン粒子流とカメラ補償光流とを合わせることでデータの適合を監督し、収束を加速し、一般化を改善する。
  論文  参考訳（メタデータ） (2025-11-09T09:35:03Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
  MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。 本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
  論文  参考訳（メタデータ） (2025-07-07T08:22:32Z)
• Physics Augmented Machine Learning Discovery of Composition-Dependent Constitutive Laws for 3D Printed Digital Materials [0.0]
  マルチマテリアル3Dプリンティング(特にポリマージェット)は、異なる光重合体をマイクロンスケールで1つのビルドで混合することにより、デジタル材料の製造を可能にする。 このことは、調整可能な一軸機械的張力ねじりに関する実験と計算の総合的な研究である。 提案モデルでは, 非線形, 速度依存的な3次元デジタル材料の挙動を正確に把握する。
  論文  参考訳（メタデータ） (2025-07-01T18:45:34Z)
• Sampling 3D Molecular Conformers with Diffusion Transformers [13.536503487456622]
  拡散変換器 (DiT) は生成モデルにおいて高い性能を示した。 分子へのDiTの適用は、離散的な分子グラフ情報と連続した3次元幾何学の統合など、新しい課題をもたらす。 モジュールアーキテクチャを通じてこれらの課題に対処するために,DiTを適応させるフレームワークであるDiTMCを提案する。
  論文  参考訳（メタデータ） (2025-06-18T11:47:59Z)
• Generalizable and Relightable Gaussian Splatting for Human Novel View Synthesis [49.67420486373202]
  GRGSは、多彩な照明条件下での高忠実なヒューマン・ノベル・ビュー・シンセサイザーのための一般的な3Dガウスのフレームワークである。 我々は, 精密深度および表面の正常度を予測するために, 合成依存データに基づいて学習した照明対応幾何微細化(LGR)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-05-27T17:59:47Z)
• Physically Compatible 3D Object Modeling from a Single Image [109.98124149566927]
  単一画像を3次元物理オブジェクトに変換するフレームワークを提案する。 我々のフレームワークは、リコンストラクションプロセスに物理的な互換性を組み込む。 既存の手法よりも3Dモデルの物理的リアリズムを一貫して強化する。
  論文  参考訳（メタデータ） (2024-05-30T21:59:29Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)

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。