Fugu-MT 論文翻訳(概要): A Decade of Generative Adversarial Networks for Porous Material Reconstruction

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
Authors: Ali Sadeghkhani, Brandon Bennett, Masoud Babaei, Arash Rabbani,
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。

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

関連論文リスト