論文の概要: Property-Constrained 3D Porous Media Reconstruction from 2D Images via Conditional Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2607.02693v1
• Date: Thu, 02 Jul 2026 18:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.394776
• Title: Property-Constrained 3D Porous Media Reconstruction from 2D Images via Conditional Generative Adversarial Networks
• Title（参考訳）: 条件付き生成逆ネットワークによる2次元画像からの3次元多孔質メディア再構成
• Abstract要約: 本研究では,3次元多孔質メディアボリュームを制御ポロシティで生成するための条件付き生成適応ネットワーク(cGAN)フレームワークを提案する。 このフレームワークは3Dジェネレータと2D識別器を備えたハイブリッドアーキテクチャを用いており、多軸スライス抽出により2Dトレーニングデータから3D一貫性のある構造を学習することができる。 その結果, 非水物包有物や結晶質の微細なテクスチャなどの岩石学的特徴を捉えることで, 現実的な3次元体積の生成に成功した。
• 参考スコア（独自算出の注目度）: 0.018918218342936586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a conditional Generative Adversarial Network (cGAN) framework for generating 3D porous media volumes with controlled porosity, trained exclusively on 2D thin section images. The key innovation lies in combining property-conditioned generation with 2D-to-3D reconstruction, eliminating the need for expensive 3D training data while maintaining control over petrophysical properties. The framework employs a hybrid architecture with a 3D generator and 2D discriminator, where multi-axis slice extraction enables learning 3D-consistent structures from 2D training data. Porosity labels are extracted using an Enhanced U-Net segmentation model. The methodology was demonstrated on two carbonate samples with different lithologies: dolomite-anhydrite and pure dolomite. Results show that the framework successfully generates realistic 3D volumes capturing lithological features such as anhydrite inclusions and fine crystalline textures. Porosity control achieved an $R^2$ of 0.93, with mean absolute errors of 0.019 and 0.010 for the heterogeneous and homogeneous samples, respectively.
• Abstract（参考訳）: 本研究では,3次元多孔質メディアボリュームを制御ポロシティで生成する条件付き生成支援ネットワーク(cGAN)フレームワークを提案する。 鍵となるイノベーションは、2Dから3Dへの再構成と環境条件付き世代の組み合わせであり、石油物理特性の制御を維持しつつ、高価な3Dトレーニングデータの必要性を排除している。 このフレームワークは3Dジェネレータと2D識別器を備えたハイブリッドアーキテクチャを用いており、多軸スライス抽出により2Dトレーニングデータから3D一貫性のある構造を学習することができる。 拡張U-Netセグメンテーションモデルを用いて、ポロシティラベルを抽出する。 この手法は、ドロマイト・アンハイドライトと純粋なドロマイトという、異なるリソロジーを持つ2つの炭酸塩試料で実証された。 その結果, 非水物包有物や結晶質の微細なテクスチャなどの岩石学的特徴を捉えることで, 現実的な3次元体積の生成に成功した。 ポロシティ制御は、それぞれ不均一試料と均質試料の0.019と0.010の平均絶対誤差で0.93のR^2$を達成した。

関連論文リスト

• FLUX3D: High-Fidelity 3D Gaussian Generation with Diffusion-Aligned Sparse Representation [48.928051741750124]
  本稿では,画像から3DGSまでのスケーラブルなフレームワークを提案し,生成時の表現学習と相互モーダルアライメントを向上する。 FLUX3Dは外観の忠実さを大幅に改善し、高品質な3DGSの資産を生み出すのに最先端(SOTA)の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-23T17:52:21Z)
• Step1X-3D: Towards High-Fidelity and Controllable Generation of Textured 3D Assets [90.99212668875971]
  Step1X-3Dは、データの不足、アルゴリズムの制限、エコシステムの断片化といった課題に対処するオープンフレームワークである。 拡散型テクスチャ合成モジュールとハイブリッドVAE-DiTジオメトリジェネレータを組み合わせた2段階の3Dネイティブアーキテクチャを提案する。 ベンチマークの結果は、既存のオープンソースメソッドを超える最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-05-12T16:56:30Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• Enhancing Single Image to 3D Generation using Gaussian Splatting and Hybrid Diffusion Priors [17.544733016978928]
  単一の画像から3Dオブジェクトを生成するには、野生で撮影された未ポーズのRGB画像から、目に見えない景色の完全な3D形状とテクスチャを推定する必要がある。 3次元オブジェクト生成の最近の進歩は、物体の形状とテクスチャを再構築する技術を導入している。 本稿では, この限界に対応するために, 2次元拡散モデルと3次元拡散モデルとのギャップを埋めることを提案する。
  論文  参考訳（メタデータ） (2024-10-12T10:14:11Z)
• GVP: Generative Volumetric Primitives [76.95231302205235]
  本稿では,512解像度画像をリアルタイムにサンプリング・レンダリングできる最初の純3次元生成モデルである生成ボリュームプリミティブ(GVP)を提案する。 GVPは、複数のプリミティブとその空間情報を共同でモデル化し、どちらも2D畳み込みネットワークを介して効率的に生成することができる。 いくつかのデータセットの実験は、最先端技術よりも優れた効率性とGVPの3次元一貫性を示す。
  論文  参考訳（メタデータ） (2023-03-31T16:50:23Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• Feature Disentanglement in generating three-dimensional structure from two-dimensional slice with sliceGAN [35.3148116010546]
  スライスGANは,2次元スライス(2次元スライス)の微細構造特性を捉えるために,GAN(Generative Adversarial Network)を用いた新しい手法を提案した。 スライスGANをAdaINと組み合わせて、モデルを機能を切り離し、合成を制御することができるようにします。
  論文  参考訳（メタデータ） (2021-05-01T08:29:33Z)

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。