論文の概要: Spatiotemporal Graph Transformer for 3D Neighborhood Interaction and Quality Prediction in Metal Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2606.10227v1
• Date: Mon, 08 Jun 2026 22:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.216079
• Title: Spatiotemporal Graph Transformer for 3D Neighborhood Interaction and Quality Prediction in Metal Additive Manufacturing
• Title（参考訳）: 金属添加物製造における3次元近傍相互作用と品質予測のための時空間グラフ変換器
• Authors: Joyce Karen Pelaez, Siqi Zhang, Hoo Sang Ko,
• Abstract要約: 本研究では,3次元近傍相互作用をモデル化する新しいグラフ変換器を開発し,金属添加物製造における構築品質への影響を学習する。 提案手法は, プロセス品質の関係を特徴付ける上で, 画像ベース, シーケンスベース, グラフベースモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.419070059894391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal additive manufacturing enables the fabrication of complex parts, but achieving consistent build quality remains challenging due to interactions induced by repeated layer-wise melting, solidification, and reheating across the 3D build. Advanced sensing provide a great opportunity to collect rich observations of the actual manufacturing process for real-time quality monitoring and control. Yet, existing methods often have limited ability to represent multi-layer interactions and quantify their contributions to quality. In this paper, we develop a novel spatiotemporal graph transformer for modeling 3D neighborhood interactions and learn their effects on build quality in metal additive manufacturing. Specifically, we first introduce a weighted network representation of the manufacturing process, where fusing locations are modeled as nodes, and their spatial- and process-dependent relationships are encoded as edge weights. This representation also enables the integration of multimodal data (e.g., geometric design, process settings, and in-situ sensing data) into a unified structure for downstream learning tasks. Building on this network, we further design a dual-attention graph transformer that captures both within-node feature dependencies and cross-node neighborhood interactions for quality representation learning. Experimental results show that the proposed framework significantly outperforms image-based, sequence-based, and graph-based models in characterizing process-quality relationships. More importantly, the incorporation of cross-layer interactions is critical for improving quality prediction performance. This framework is broadly applicable to other tasks involving network modeling and graph-based representation learning.
• Abstract（参考訳）: 金属添加物の製造は複雑な部品の製造を可能にするが、3Dビルド全体での繰り返し溶融、凝固、再加熱による相互作用により、一貫した製造品質を達成することは困難である。 高度なセンシングは、リアルタイムな品質監視と制御のために、実際の製造プロセスの豊富な観察を収集する絶好の機会となる。 しかし、既存の手法は、しばしば多層相互作用を表現し、品質への貢献を定量化する能力に制限がある。 本稿では,金属添加物製造における3次元近傍相互作用をモデル化し,その有効性を学習するための新しい時空間グラフ変換器を開発する。 具体的には、まず製造プロセスの重み付きネットワーク表現を紹介し、そこでは、融合位置をノードとしてモデル化し、それらの空間的およびプロセスに依存した関係をエッジ重みとして符号化する。 この表現はまた、下流学習タスクのための統一された構造にマルチモーダルデータ(例えば、幾何設計、プロセス設定、インサイトセンシングデータ)を統合することを可能にする。 このネットワーク上に構築したデュアルアテンショングラフ変換器は,品質表現学習のためのノード内特性依存性とノード間相互作用の両方をキャプチャする。 実験結果から,提案フレームワークは,プロセス品質の関係を特徴付ける上で,画像ベース,シーケンスベース,グラフベースモデルよりも優れていた。 さらに重要なことは、層間相互作用の組み込みが品質予測性能の向上に不可欠である。 このフレームワークは、ネットワークモデリングやグラフベースの表現学習を含む他のタスクにも広く適用できる。

関連論文リスト

• CAD-feature enhanced machine learning for manufacturing effort estimation on sheet metal bending parts [0.3250512744763586]
  境界表現(B-reps)として表されるCADモデルから直接学習することで、製造可能性分析のための有望なアプローチとして、グラフベース機械学習が登場した。 本稿では,B-rep属性の隣接グラフをルールベースモジュールによって認識される製造特徴に富ませることで,この問題に対処するハイブリッドアプローチを提案する。 大規模合成製造性ベンチマークと実世界の産業データセットの曲げ時間の測定実験により、ドメイン知識とグラフベースの学習を組み合わせることで、両方のタスク間の予測精度が向上することを示した。
  論文  参考訳（メタデータ） (2026-05-12T15:30:12Z)
• A Persistent Homology Design Space for 3D Point Cloud Deep Learning [5.810033007426438]
  Persistent Homology (PH)は、本質的な形状の安定なマルチスケール記述子を提供する。 強力な理論的保証と経験的採用の増大にもかかわらず、ポイントクラウドのためのディープラーニングへの統合は、概してアドホックであり、アーキテクチャ的にも周辺的である。 本研究では,3次元点群における永続-ホモロジー駆動学習のための統一設計空間を提案する。
  論文  参考訳（メタデータ） (2026-04-05T22:38:37Z)
• StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
  StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。 最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。 結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
  論文  参考訳（メタデータ） (2026-01-12T15:41:27Z)
• Puppeteer: Rig and Animate Your 3D Models [105.11046762553121]
  Puppeteerは、さまざまな3Dオブジェクトの自動リギングとアニメーションの両方に対処する包括的なフレームワークである。 本システムはまず, 自己回帰変換器を用いて, 可塑性骨格構造を推定する。 その後、注意に基づくアーキテクチャにより、皮膚の重量を推定する。
  論文  参考訳（メタデータ） (2025-08-14T17:59:31Z)
• GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
  本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。 機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。 本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-11T20:22:00Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• Towards a Unified Transformer-based Framework for Scene Graph Generation and Human-object Interaction Detection [116.21529970404653]
  本稿では,Transformerアーキテクチャに基づく一段階統一モデルであるSG2HOI+を紹介する。 本手法では,SGGとHOI検出のタスクをシームレスに統一する2つの対話型階層変換器を用いる。 提案手法は最先端のHOI法と比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2023-11-03T07:25:57Z)
• Analogous to Evolutionary Algorithm: Designing a Unified Sequence Model [58.17021225930069]
  実演的進化アルゴリズム(EA)と類似した視覚変換器の合理性について説明する。 我々は、より効率的なEATモデルを提案し、様々なタスクに柔軟に対処するタスク関連ヘッドを設計する。 近年のビジョントランスに比べて,イメージネット分類作業における最先端の成果が得られている。
  論文  参考訳（メタデータ） (2021-05-31T16:20:03Z)
• Generative Adversarial Transformers [13.633811200719627]
  本稿では,新規かつ効率的な変換器であるGANsformerを紹介し,視覚生成モデリングの課題について検討する。 ネットワークは、線形効率の計算を維持しながら、画像間の長距離相互作用を可能にする二部構造を用いる。 高速な学習とより良いデータ効率を享受しながら、画像品質と多様性の観点から最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-01T18:54:04Z)

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。