論文の概要: Attention-Guided Flow-Matching for Sparse 3D Geological Generation

• arxiv url: http://arxiv.org/abs/2604.09700v1
• Date: Tue, 07 Apr 2026 07:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.60918
• Title: Attention-Guided Flow-Matching for Sparse 3D Geological Generation
• Title（参考訳）: 微小な3次元地質生成のための注意誘導型流れマッチング
• Authors: Zhixiang Lu, Mengqi Han, Peixin Guo, Tianming Bai, Jionglong Su, Fei Fang, Sifan Song,
• Abstract要約: 3D-GeoFlowは、スパースマルチモーダルな地質モデリングに適した最初のアテンションガイド型連続フローマッチングフレームワークである。 離散カテゴリー生成をシミュレーションのない連続ベクトル場回帰として再構成することにより、安定な決定論的最適輸送経路を確立する。 この枠組みを検証するため,2200件の手続き的に生成された3次元地質事例からなる大規模マルチモーダルデータセットをキュレートした。
• 参考スコア（独自算出の注目度）: 7.734651455015875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constructing high-resolution 3D geological models from sparse 1D borehole and 2D surface data is a highly ill-posed inverse problem. Traditional heuristic and implicit modeling methods fundamentally fail to capture non-linear topological discontinuities under extreme sparsity, often yielding unrealistic artifacts. Furthermore, while deep generative architectures like Diffusion Models have revolutionized continuous domains, they suffer from severe representation collapse when conditioned on sparse categorical grids. To bridge this gap, we propose 3D-GeoFlow, the first Attention-Guided Continuous Flow Matching framework tailored for sparse multimodal geological modeling. By reformulating discrete categorical generation as a simulation-free, continuous vector field regression optimized via Mean Squared Error, our model establishes stable, deterministic optimal transport paths. Crucially, we integrate 3D Attention Gates to dynamically propagate localized borehole features across the volumetric latent space, ensuring macroscopic structural coherence. To validate our framework, we curated a large-scale multimodal dataset comprising 2,200 procedurally generated 3D geological cases. Extensive out-of-distribution (OOD) evaluations demonstrate that 3D-GeoFlow achieves a paradigm shift, significantly outperforming heuristic interpolations and standard diffusion baselines.
• Abstract（参考訳）: スパース1Dボアホールと2D表面データから高分解能な3次元地質モデルを構築することは、非常に不適切な逆問題である。 伝統的なヒューリスティックな暗黙のモデリング手法は、基本的に極端に空間的な非線型な位相不連続を捉えることに失敗し、しばしば非現実的なアーティファクトを生み出す。 さらに、拡散モデルのような深い生成的アーキテクチャは、連続的なドメインに革命をもたらしたが、疎いカテゴリグリッドで条件付けされた場合、それらが深刻な表現の崩壊に悩まされている。 このギャップを埋めるために、我々は、スパースマルチモーダルな地質モデリングに適した最初の注意誘導連続フローマッチングフレームワークである3D-GeoFlowを提案する。 Mean Squared Errorによって最適化されたシミュレーションのない連続ベクトル場回帰として離散カテゴリー生成を再構成することにより、我々のモデルは安定かつ決定論的な輸送経路を確立する。 重要なことに,我々は3Dアテンションゲートを統合し,局所的なボアホールの特徴を体積空間全体に動的に伝播させ,マクロな構造的コヒーレンスを確保する。 この枠組みを検証するため,2200件の手続き的に生成された3次元地質事例からなる大規模マルチモーダルデータセットをキュレートした。 大規模なアウト・オブ・ディストリビューション(OOD)評価は、3D-GeoFlowがパラダイムシフトを達成し、ヒューリスティック補間と標準拡散ベースラインを著しく上回っていることを示している。

関連論文リスト

• Rheos: Modelling Continuous Motion Dynamics in Hierarchical 3D Scene Graphs [9.547848533245675]
  3次元シーングラフ(3DSG)は、環境の幾何学的・意味的な構造をエンコードする階層的で多重解像度の抽象化を提供する。 本稿では,連続方向運動モデルを階層型3DSGの動的層に埋め込むフレームワークであるRheosを紹介する。 レオスは連続的かつ好ましくない離散的指標の下で、離散的基底線を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-09T13:03:31Z)
• Robust Mesh Saliency GT Acquisition in VR via View Cone Sampling and Geometric Smoothing [59.12032628787018]
  バーチャルリアリティー(VR)における人中心視覚モデリングには3次元メッシュサリエンシ基底真理が不可欠である 現在のVRアイトラッキングパイプラインは、単一線サンプリングとユークリッドのスムース化に依存しており、テクスチャの注意を喚起し、ギャップをまたいだ信号の漏洩を引き起こす。 本稿では,これらの制約に対処する頑健な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T05:20:12Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
  本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。 近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
  論文  参考訳（メタデータ） (2024-10-31T14:26:10Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• R3D-AD: Reconstruction via Diffusion for 3D Anomaly Detection [12.207437451118036]
  3次元異常検出は、精密製造における局所固有の欠陥のモニタリングにおいて重要な役割を担っている。 埋め込みベースおよび再構築ベースのアプローチは、最も人気があり、成功した方法の一つである。 本稿では, 高精度な3次元異常検出のための拡散モデルにより, 異常点雲を再構成するR3D-ADを提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:10:58Z)

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。