論文の概要: Generative Diffusion Priors for 3D Mapping of the Dark Universe
- arxiv url: http://arxiv.org/abs/2606.00803v1
- Date: Sat, 30 May 2026 16:42:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.783262
- Title: Generative Diffusion Priors for 3D Mapping of the Dark Universe
- Title（参考訳）: ダーク・ユニバースの3次元マッピングに先立つ生成的拡散
- Abstract要約: 弱いレンズの観測からダークマターの3次元分布を再構築することは、宇宙論における中心的だが非常に不適切な逆問題である。
これにより、宇宙時間でダークマター構造の完全な3D分布をキャプチャする前に、データ駆動拡散モデルを学ぶことができます。
現代の弱レンズ調査を対象とする現実的なシミュレーションでは,ベースライン法よりも大幅に改良された2次元および3次元再構成精度が得られた。
- 参考スコア（独自算出の注目度）: 9.150017776789321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing the three-dimensional distribution of dark matter from weak-lensing observations is a central but highly ill-posed inverse problem in cosmology. Unlike standard 3D reconstruction with multiple viewpoints, we observe the universe from a single line of sight, through noisy shape distortions of galaxies with uncertain distances, so meaningful recovery of the 3D matter field requires strong prior assumptions. Existing methods either produce point estimates with handcrafted priors or use neural ensembles for approximate Bayesian uncertainty, and struggle to capture the non-Gaussian, filamentary structure of the cosmic web. With the advent of new high-resolution cosmological simulations, we now have an alternative source of prior knowledge that captures the nonlinear statistics of structure formation with far greater fidelity than analytic prescriptions. We leverage these simulations to build a new dataset $\texttt{Conicus3D}$, which enables us to learn a data-driven diffusion-model prior capturing the full 3D distribution of dark matter structure across cosmic time. Building on recent plug-and-play approaches, we modify a diffusion-based posterior sampling scheme to the 3D weak-lensing setting, combining the learned prior with a differentiable physical forward model. On realistic simulations targeting a modern weak lensing survey, our approach yields substantially improved 2D and 3D reconstruction accuracy over baseline methods. Moreover, it produces posterior samples whose statistics closely track the underlying simulations, while remaining robust to moderate shifts in cosmology.
- Abstract（参考訳）: 弱いレンズの観測からダークマターの3次元分布を再構築することは、宇宙論における中心的だが非常に不適切な逆問題である。
複数の視点を持つ標準的な3D再構成とは異なり、不確実な距離を持つ銀河のノイズの多い形状の歪みを通して、一直線から宇宙を観察するので、3D物質場の有意義な回復には強い前提が必要である。
既存の方法では、手作りの事前の点推定を作成したり、ベイズの不確実性を近似するためにニューラルアンサンブルを使ったり、非ガウス的でフィラメント的な宇宙の網の構造を捉えるのに苦労した。
新たな高分解能宇宙学シミュレーションの出現に伴い、従来の知識の代替として、分析処方薬よりもはるかに忠実な構造形成の非線形統計を捉えることができるようになった。
我々はこれらのシミュレーションを利用して新しいデータセット$\texttt{Conicus3D}$を構築し、宇宙時間を通してダークマター構造の完全な3次元分布を捉える前に、データ駆動拡散モデルを学ぶことができる。
近年のプラグ・アンド・プレイ・アプローチに基づいて,拡散に基づく後方サンプリングスキームを3次元弱レンズ設定に修正し,学習前と微分可能な物理フォワードモデルを組み合わせた。
現代の弱レンズ調査を対象とする現実的なシミュレーションでは,ベースライン法よりも大幅に改良された2次元および3次元再構成精度が得られた。
さらに、統計学的に基礎となるシミュレーションを綿密に追跡しながら、宇宙論の適度なシフトに頑健な後部サンプルを生成する。
関連論文リスト
- FlowObject: Flow Steering for Bridging Generative Priors and Reconstruction Fidelity [34.142288038459704]
FlowObjectは、スパースビューの3D再構成をトレーニング不要でガイド付き逆問題として再構成するフレームワークである。
提案手法は、幾何学的完全性およびビュー依存外観忠実度の両方において、最先端の生成モデルと最適化に基づくフレームワークを著しく上回る。
論文 参考訳（メタデータ） (2026-06-17T12:42:09Z) - Reliev3R: Relieving Feed-forward Reconstruction from Multi-View Geometric Annotations [98.66466590444553]
コスト制約のない多視点幾何アノテーションを使わずにFFRMをスクラッチからトレーニングするための弱教師付きパラダイムであるReliev3Rを提案する。
Reliev3Rのコアでは、多視点幾何整合性の監視を容易にするために、曖昧さを意識した相対深度損失と三角法に基づく再射損失を設計する。
論文 参考訳（メタデータ） (2026-04-01T06:46:54Z) - 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) - 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) - Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。
このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。
提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文 参考訳（メタデータ） (2025-08-06T16:16:58Z) - Sparse-View 3D Reconstruction: Recent Advances and Open Challenges [0.8583178253811411]
濃密な画像取得が不可能なアプリケーションには,スパースビュー3D再構成が不可欠である。
この調査は、ニューラル暗黙のモデルと明示的なポイントクラウドベースのアプローチの最新の進歩をレビューする。
我々は, 幾何正規化, 明示的な形状モデリング, 生成的推論がアーティファクトの緩和にどのように利用されているかを分析する。
論文 参考訳（メタデータ） (2025-07-22T09:57:28Z) - Revealing the 3D Cosmic Web through Gravitationally Constrained Neural Fields [15.645523903662033]
弱い重力レンズは、主に宇宙におけるダークマターの重力効果によって引き起こされる銀河形状のわずかな歪みである。
我々は、宇宙の暗黒物質場の3次元マップを再構成するために、2次元の望遠鏡画像から弱いレンズ信号を反転させようとする。
本稿では, 連続物質分布を柔軟にモデル化するために, 重力拘束型ニューラルネットワークを用いた手法を提案する。
論文 参考訳（メタデータ） (2025-04-21T17:43:21Z) - Diffusion-Guided Gaussian Splatting for Large-Scale Unconstrained 3D Reconstruction and Novel View Synthesis [22.767866875051013]
本稿では,現行手法の限界に対処する多視点拡散モデルを用いて,新しい3DGSフレームワークであるGS-Diffを提案する。
マルチビュー入力に条件付き擬似観測を生成することにより、制約の少ない3次元再構成問題をよく表されたものに変換する。
4つのベンチマークの実験では、GS-Diffは最先端のベースラインをかなりのマージンで一貫して上回っている。
論文 参考訳（メタデータ） (2025-04-02T17:59:46Z) - Diffusion priors for Bayesian 3D reconstruction from incomplete measurements [0.0]
ベイズフレームワーク内の実験データと組み合わせた拡散モデルについて検討する。
中分解能で粗粒3次元構造を生成する拡散モデルを訓練し、これらを不完全でノイズの多い実験データと統合する。
拡散モデルによる後方サンプリングにより,低分解能,低分解能,部分的な観察から3次元再構成が可能であることが判明した。
論文 参考訳（メタデータ） (2024-12-19T14:28:00Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - Galaxy 3D Shape Recovery using Mixture Density Network [0.6597195879147557]
共通の内在的形状回復法は、運動軸と形態軸の内在的不整合と三軸性パラメータとの間に期待される単調な関係に依存する。
近年の研究では、形状と内在的な運動的不整合に関する基礎的な仮定に疑問が投げかけられている。
我々は、混合密度ネットワーク(MDN)を用いた教師付き機械学習手法を用いて、個々の銀河の3次元形状を復元する。
論文 参考訳（メタデータ） (2024-04-06T03:48:11Z)
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。