論文の概要: DF-ACBlurGAN: Structure-Aware Conditional Generation of Internally Repeated Patterns for Biomaterial Microtopography Design

• arxiv url: http://arxiv.org/abs/2603.28776v1
• Date: Wed, 04 Feb 2026 11:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.130341
• Title: DF-ACBlurGAN: Structure-Aware Conditional Generation of Internally Repeated Patterns for Biomaterial Microtopography Design
• Title（参考訳）: DF-ACBlurGAN:生体材料マイクロトポグラフィー設計のための内部繰り返しパターンの構造認識条件生成
• Abstract要約: 内部的に繰り返し、周期的な構造を持つ画像を生成することの学習は、機械学習とコンピュータビジョンモデルに根本的な課題をもたらす。 本稿では, DF-ACBlurGANを提案する。 このアプローチは、周波数領域反復スケール推定、スケール適応型ガウスボケリング、および単位セル再構成を統合し、シャープな局所特徴と安定した大域周期性とをバランスさせる。
• 参考スコア（独自算出の注目度）: 3.037984340004948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning to generate images with internally repeated and periodic structures poses a fundamental challenge for machine learning and computer vision models, which are typically optimised for local texture statistics and semantic realism rather than global structural consistency. This limitation is particularly pronounced in applications requiring strict control over repetition scale, spacing, and boundary coherence, such as microtopographical biomaterial surfaces. In this work, biomaterial design serves as a use case to study conditional generation of repeated patterns under weak supervision and class imbalance. We propose DF-ACBlurGAN, a structure-aware conditional generative adversarial network that explicitly reasons about long-range repetition during training. The approach integrates frequency-domain repetition scale estimation, scale-adaptive Gaussian blurring, and unit-cell reconstruction to balance sharp local features with stable global periodicity. Conditioning on experimentally derived biological response labels, the model synthesises designs aligned with target functional outcomes. Evaluation across multiple biomaterial datasets demonstrates improved repetition consistency and controllable structural variation compared to conventional generative approaches.
• Abstract（参考訳）: 内部的に繰り返し、周期的な構造を持つ画像を生成することの学習は、局所的なテクスチャ統計とセマンティックリアリズムに最適化される機械学習とコンピュータビジョンモデルに根本的な課題をもたらす。 この制限は、マイクロトポグラフィーの生体材料表面のような反復スケール、間隔、境界コヒーレンスを厳格に制御する必要があるアプリケーションで特に顕著である。 本研究は, 生体材料設計を, 弱い監督とクラス不均衡の下で繰り返しパターンの条件付き生成を研究するためのユースケースとして機能する。 本稿では, DF-ACBlurGANを提案する。 このアプローチは、周波数領域反復スケール推定、スケール適応型ガウスボケリング、および単位セル再構成を統合し、シャープな局所特徴と安定した大域周期性とをバランスさせる。 実験によって得られた生体応答ラベルを条件に、モデル合成は対象の機能的結果と整合した設計を行う。 複数のバイオマテリアルデータセットによる評価は、従来の生成的アプローチと比較して繰り返し一貫性と制御可能な構造変化の改善を示す。

関連論文リスト

• Generative Augmentation of Raman Spectra for Glioma Classification [0.0]
  クラス条件付き合成ラマンスペクトルを生成する条件変分オートエンコーダを開発した。 生成されたデータはTrain-on-Synthetic, Test-on-Real (TS/TR)およびTrain-on-Synthetic+Real, Test-on-Real (TSR/TR)設定で評価される。 リアルトレーニングデータを合成スペクトルで拡張することで、複数のモデルの分類性能が一貫して向上する。
  論文  参考訳（メタデータ） (2026-07-11T08:19:51Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology [3.5196641463125]
  HistDiTアーキテクチャは、仮想組織学的染色における視覚的忠実性の新たなベンチマークを確立する。 本モデルでは,厳密な定量的および定性的評価により,既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-09T14:39:37Z)
• Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards [3.8025175740783026]
  生成モデリングはタンパク質研究の中心的なパラダイムとなっている。 この調査は、予測モデリングから信頼性の高い機能駆動タンパク質工学への移行を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-03-27T13:02:16Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Protein Autoregressive Modeling via Multiscale Structure Generation [51.92004892768298]
  タンパク質自己回帰モデリング(PAR)は,タンパク質のバックボーン生成のための最初のマルチスケール自己回帰フレームワークである。 ノイズの多いコンテキスト学習とスケジュールサンプリングを採用し、堅牢なバックボーン生成を実現している。 非条件生成ベンチマークでは、PARはタンパク質の分布を効果的に学習し、高い設計品質のバックボーンを生成する。
  論文  参考訳（メタデータ） (2026-02-04T18:59:49Z)
• An Improved Time Series Anomaly Detection by Applying Structural Similarity [17.056935729423667]
  本稿では,新しい構造強化型異常検出手法であるStrADを提案する。 この結果から,StrADは5つの実世界の異常検出データセットにまたがって,最先端の再構築モデルの性能を向上させることを示した。
  論文  参考訳（メタデータ） (2025-09-24T14:45:00Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model [32.670806339139034]
  本研究では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。 本手法は, セル分布と相互作用のシミュレーションを改良し, 下流タスクにおける結果の精度と解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-12-08T18:02:22Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。