論文の概要: A Decade of Generative Adversarial Networks for Porous Material Reconstruction

• arxiv url: http://arxiv.org/abs/2603.11836v1
• Date: Thu, 12 Mar 2026 12:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.054047
• Title: A Decade of Generative Adversarial Networks for Porous Material Reconstruction
• Title（参考訳）: 多孔質材料再構成のための生成逆ネットワークの10年
• Abstract要約: GAN(Generative Adversarial Networks)は、多孔質メディア再構築機能に革命をもたらした。 このレビューは2017年から2026年にかけて発行された96の査読論文を体系的に分析する。 我々は,GANアーキテクチャを,Vanilla GAN,Multi-Scale GAN,Conditional GAN,Attention-Enhanced GAN,Style-based GAN,Hybrid Architecture GANの6つのクラスに分類する。
• 参考スコア（独自算出の注目度）: 0.017633676363694336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital reconstruction of porous materials has become increasingly critical for applications ranging from geological reservoir characterization to tissue engineering and electrochemical device design. While traditional methods such as micro-computed tomography and statistical reconstruction approaches have established foundations in this field, the emergence of deep learning techniques, particularly Generative Adversarial Networks (GANs), has revolutionized porous media reconstruction capabilities. This review systematically analyzes 96 peer-reviewed articles published from 2017 to early 2026, examining the evolution and applications of GAN-based approaches for porous material image reconstruction. We categorize GAN architectures into six distinct classes, namely Vanilla GANs, Multi-Scale GANs, Conditional GANs, Attention-Enhanced GANs, Style-based GANs, and Hybrid Architecture GANs. Our analysis reveals substantial progress including improvements in porosity accuracy (within 1% of original samples), permeability prediction (up to 79% reduction in mean relative errors), and achievable reconstruction volumes (from initial $64^3$ to current $2{,}200^3$ voxels). Despite these advances, persistent challenges remain in computational efficiency, memory constraints for large-scale reconstruction, and maintaining structural continuity in 2D-to-3D transformations. This systematic analysis provides a comprehensive framework for selecting appropriate GAN architectures based on specific application requirements.
• Abstract（参考訳）: 多孔質材料のデジタル再構成は、地質学的貯留層特性から組織工学や電気化学デバイス設計まで、応用においてますます重要になっている。 マイクロ計算トモグラフィーや統計的再構成手法のような従来の手法はこの分野で基礎を築いたが、深層学習技術の出現、特にGAN(Generative Adversarial Networks)の出現は、多孔質メディア再構築機能に革命をもたらした。 このレビューは、2017年から2026年にかけて発行された96のピアレビュー論文を体系的に分析し、多孔質画像再構成のためのGANベースのアプローチの進化と応用について検討する。 我々は,GANアーキテクチャを,Vanilla GAN,Multi-Scale GAN,Conditional GAN,Attention-Enhanced GAN,Style-based GAN,Hybrid Architecture GANの6つのクラスに分類する。 分析の結果,ポロシティの精度向上(原サンプルの1%),透過性予測(平均相対誤差の最大79%低減),再現量向上(初期6,4^3$から現在の2,200^3$ボクセルまで)など,大きな進展が見られた。 これらの進歩にもかかわらず、計算効率、大規模な再構成のためのメモリ制約、そして2次元から3次元の変換における構造的連続性の維持には永続的な課題が残っている。 この体系的な分析は、特定のアプリケーション要求に基づいて適切なGANアーキテクチャを選択するための包括的なフレームワークを提供する。

関連論文リスト

• Morphology-Aware Implicit Super-Resolution Network for Pathological Images [27.177894894882673]
  Morph-ISRはDigital Pathologyのための暗黙の超解像フレームワークである。 複雑な組織の多様性の下で、診断に関係のある詳細をサブピクセル精度で復元する。 Morph-ISRは評価手法の中で最高のLPIPSとST-LPIPSを実現している。
  論文  参考訳（メタデータ） (2026-08-04T13:41:57Z)
• GRACE-RAG: Governed Retrieval Architecture for Canonical Evidence Synthesis, Enabling Lightweight Deployment in Closed-Domain Institutional Settings [2.084969478024457]
  本稿では、生成段階から構造的検索層への構造的推論を外部化する、グラフ拡張RAGアーキテクチャであるGRACE-RAGを紹介する。 実験では、完成度、深さ、予測範囲が一貫した改善を示し、中規模モデルでは全体の品質が最大20%向上した。
  論文  参考訳（メタデータ） (2026-05-08T12:53:53Z)
• EndoVGGT: GNN-Enhanced Depth Estimation for Surgical 3D Reconstruction [4.035026965933258]
  EndoVGGTは、変形対応グラフアテンションモジュールを備えた幾何学中心のフレームワークである。 本手法によりPSNRは24.6%増加し,SSIMは9.1%向上した。 これらの結果は、一貫した外科的3次元再構成における動的特徴空間モデリングの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-03-25T17:53:34Z)
• TPG-INR: Target Prior-Guided Implicit 3D CT Reconstruction for Enhanced Sparse-view Imaging [1.751461624180595]
  本研究では,オブジェクトの投影データから得られる「ターゲット事前」を利用して,暗黙的な学習を促進する新しい3次元再構成フレームワークを提案する。 提案手法は, ボクセルサンプリングに先立って, 位置構造的エンコーディングを統合し, ボクセルの暗黙的再構成を容易にする。
  論文  参考訳（メタデータ） (2025-11-24T06:21:52Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• A Scalable Trie Building Algorithm for High-Throughput Phyloanalysis of Wafer-Scale Digital Evolution Experiments [0.0]
  デジタル実験から得られた系譜の高解像度スナップショットは、進化可能性とオープンエンド進化の研究の鍵となる。 850,000プロセッサのCerebras Wafer-Scale Engine(WSE)など、AI/MLハードウェアアクセラレータデバイスの進歩は、進化的問題の範囲を広げようとしている。
  論文  参考訳（メタデータ） (2025-08-20T21:18:51Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
  解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
  論文  参考訳（メタデータ） (2025-06-02T17:07:10Z)
• FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
  FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。 我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-22T18:08:07Z)
• Dual-branch Graph Feature Learning for NLOS Imaging [51.31554007495926]
  非視線イメージング(NLOS)は、直接見えない閉塞されたシーンを明らかにする機能を提供する。 xnet法は、アルベド情報回復に特化したアルベド中心の再構築ブランチと、幾何学的構造を抽出する深さ中心の再構築ブランチを統合する。 提案手法は,合成データと実データの間で,既存の手法の中で最も高い性能を実現する。
  論文  参考訳（メタデータ） (2025-02-27T01:49:00Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction [72.05649682685197]
  最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。 これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。 近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
  論文  参考訳（メタデータ） (2022-06-01T17:58:15Z)

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。