Fugu-MT 論文翻訳(概要): GeoTopoDiff: Learning Geometry--Topology Graph Priors through Boundary-Constrained Mixed Diffusion for Sparse-Slice 3D Porous Reconstruction

論文の概要: GeoTopoDiff: Learning Geometry--Topology Graph Priors through Boundary-Constrained Mixed Diffusion for Sparse-Slice 3D Porous Reconstruction

arxiv url: http://arxiv.org/abs/2605.03764v1
Date: Tue, 05 May 2026 13:53:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.958443
Title: GeoTopoDiff: Learning Geometry--Topology Graph Priors through Boundary-Constrained Mixed Diffusion for Sparse-Slice 3D Porous Reconstruction
Title（参考訳）: GeoTopoDiff:ラーニング幾何学--スパークススライス3次元多孔体再構成のための境界制約混合拡散によるトポロジーグラフ
Authors: Yue Shi, Peng Wang, Mingzhe Yu, Yunlong Zhao, Li Liu, Gareth D Hatton, Yan Lyu, Liangxiu Han,
Abstract要約: GeoTopoDiffは3次元多孔質構造をCTスライスから再構成するためのグラフ拡散に基づくフレームワークである。位相対応部分グラフCTスライスを導入し、逆復調過程を制約する。その結果,混合グラフ状態空間は拡散デノナイジングプロセスを促進し,スパース観測による後続不確実性を低減することが示唆された。
参考スコア（独自算出の注目度）: 13.195501226627266
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Diffusion-based voxel prior modelling is challenging for the reconstruction of large-scale 3D porous microstructures. Due to the demanding requirements for simultaneously modelling both the continuous pore morphology and the discrete pore-throat topology, the diffusion models require fully observed CT scans to provide topology-faithful priors, which results in an inherent trade-off among throughput, topological fidelity, and field of view in practical industrial applications. We propose GeoTopoDiff, a graph diffusion-based framework for reconstructing 3D porous microstructures from sparse CT slices. GeoTopoDiff transfers the learning of diffusion priors from a voxel-based space to a mixed graph state space, which simultaneously encompasses continuous pore geometry and discrete pore-throat topology. A topology-aware partial graph prior from sparsely observed CT slices is introduced to constrain the reverse denoising process. Experiments on anisotropic PTFE and Fontainebleau sandstone show that GeoTopoDiff reduces morphology-related errors by 19.8% and topology-sensitive transport errors by 36.5% on average. Our findings suggest that the mixed graph state space promotes the diffusion denoising process to reduce posterior uncertainty under a sparse observations. All models and code have been made publicly available to facilitate the exploration of diffusion models in the field of 3D porous microstructures simulation.
Abstract（参考訳）: 拡散型ボクセル先行モデリングは大規模3次元多孔質構造の再構築に困難である。連続的な細孔形状と離散的な細孔形状の両方を同時にモデル化するために要求される要求のため、拡散モデルは、トポロジーに忠実な事前情報を提供するために、完全に観察されたCTスキャンを必要とする。スパースCTスライスから3次元多孔質構造を再構成するグラフ拡散に基づくフレームワークGeoTopoDiffを提案する。 GeoTopoDiffは、拡散先行の学習をボクセル空間から混合グラフ状態空間に転送する。粗いCTスライスに先行する位相対応部分グラフを導入し,逆復調過程を制約する。異方性PTFEとフォンテーヌブロー砂岩の実験により、GeoTopoDiffは形態関連エラーを19.8%減らし、トポロジーに敏感な輸送エラーを36.5%減らした。その結果,混合グラフ状態空間は拡散デノナイジングプロセスを促進し,スパース観測による後続不確実性を低減することが示唆された。すべてのモデルとコードは、三次元多孔質構造シミュレーションの分野における拡散モデルの探索を容易にするために公開されている。

関連論文リスト

Attention-Guided Flow-Matching for Sparse 3D Geological Generation [7.734651455015875]
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。
論文参考訳（メタデータ） (2026-04-07T07:02:53Z)
GR-Diffusion: 3D Gaussian Representation Meets Diffusion in Whole-Body PET Reconstruction [12.292083119604046]
本稿では3次元PET再構成のための新しいGR拡散フレームワークを提案する。 GR-DiffusionはGRを用いて投影データから参照3DPET画像を生成する。 GR-Diffusionは3次元PET画像の画質向上において最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2026-02-12T07:10:38Z)
Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文参考訳（メタデータ） (2026-02-03T23:38:05Z)
Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
論文参考訳（メタデータ） (2025-06-18T11:59:15Z)
TopoDiffusionNet: A Topology-aware Diffusion Model [30.091135276750506]
拡散モデルは視覚的に印象的な画像を作成するのに優れるが、しばしば特定の位相を持つ画像を生成するのに苦労する。 TopoDiffusionNet (TDN) は、所望のトポロジーを維持するために拡散モデルを強制する新しいアプローチである。 4つのデータセットに対する実験により、トポロジ的精度が大幅に向上した。
論文参考訳（メタデータ） (2024-10-22T02:45:46Z)
Learning Spatially-Continuous Fiber Orientation Functions [1.4504054468850665]
低分解能拡散強調画像から空間連続繊維配向密度関数を学習するFENRIを提案する。我々はFENRIが現実的な低品質データから高分解能繊維配向を正確に予測できることを実証した。
論文参考訳（メタデータ） (2023-12-10T01:28:47Z)
Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
論文参考訳（メタデータ） (2023-12-05T18:59:41Z)
End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文参考訳（メタデータ） (2023-05-17T17:43:10Z)
Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文参考訳（メタデータ） (2023-03-10T07:42:49Z)
Ensemble flow reconstruction in the atmospheric boundary layer from spatially limited measurements through latent diffusion models [0.32955181898067526]
機械学習技術は、従来、標準的な流体力学問題において、観測されていない流れ領域を再構築してきた。これらの技術は3次元大気境界層ではまだ実証されていない。
論文参考訳（メタデータ） (2023-03-01T21:55:10Z)

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。