論文の概要: GrowFields: Compositional 4D Neural Fields for Topology-Changing Plant Growth
- arxiv url: http://arxiv.org/abs/2607.03330v2
- Date: Thu, 09 Jul 2026 15:11:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.248596
- Title: GrowFields: Compositional 4D Neural Fields for Topology-Changing Plant Growth
- Title（参考訳）: GrowFields: トポロジーを変える植物成長のための合成4次元ニューラルネットワーク
- Authors: Joaquin Gajardo, Michele Volpi, Marko Mihajlovic, Siyu Tang, Lukas Roth, Sergey Prokudin,
- Abstract要約: GrowFieldsは,臓器を意識した4D植物成長モデルのための合成動的神経場表現である。
我々のアプローチでは、植物を構成臓器に分解し、各臓器を独自の標準座標フレームに整列させる。
次に、すべての臓器にまたがる時間的ダイナミクスをモデル化する共有連続神経変形場を学びます。
- 参考スコア（独自算出の注目度）: 20.00023114696958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantifying plant growth dynamics from sparse longitudinal 3D observations is fundamental for agriculture and plant sciences. Yet, plants pose unique challenges: they undergo intricate non-rigid deformations, exhibit changing topology as new organs emerge, and often lack explicit temporal correspondences between consecutive data acquisitions due to newly formed tissue. Methods designed for general scenes struggle to model topology changes and asynchronous organ growth characteristic of plants. To address these challenges, we introduce GrowFields, a compositional dynamic neural field representation for organ-aware 4D plant growth modelling from point cloud time series. Our approach decomposes a plant into its constituent organs and aligns each organ into its own canonical coordinate frame, isolating intrinsic growth patterns from global plant motion. We then learn a shared continuous neural deformation field that models temporal dynamics across all organs, conditioned on learnable per-organ latent codes capturing organ identity and growth characteristics. The resulting modular yet unified representation naturally accommodates the asynchronous development of plant organs while remaining grounded in the practical setting of organ-level plant tracking. We evaluate GrowFields on growth sequences from four plant species, assessing geometric fitting and organ tracking accuracy using manually annotated leaf-tip trajectories. Results demonstrate consistent improvements in spatial precision, temporal coherence, and morphological fidelity over a range of existing representations.
- Abstract（参考訳）: 希少な縦3次元観測から植物成長動態の定量化は、農業や植物科学に不可欠である。
しかし、植物は複雑な非剛体変形を経験し、新しい器官が出現するにつれてトポロジーが変化し、しばしば新しく形成された組織によって連続したデータ取得の間に明確な時間的対応が欠如している。
一般的なシーン用に設計された手法は、植物のトポロジー変化と非同期臓器成長特性をモデル化するのに苦労する。
このような課題に対処するため,我々はGrowFieldsを紹介した。
本手法では, 植物を構成器官に分解し, 各器官を独自の標準座標系に整列させ, 植物運動から内在的な成長パターンを分離する。
次に、すべての臓器の時間的ダイナミクスをモデル化し、臓器のアイデンティティと成長特性を抽出する学習可能な組織ごとの潜在コードに基づいて、共有された連続的な神経変形場を学習する。
結果として生じるモジュラーだが統一された表現は、植物器官の非同期な発達を自然に許容する一方で、有機レベル植物追跡の実践的な設定に基礎を置いている。
本研究は,4種の植物の成長過程に関するGrowFieldsを解析し,手動でアノテートした葉先軌跡を用いて幾何的嵌合と臓器追跡の精度を評価した。
その結果, 空間的精度, 時間的コヒーレンス, 形態的忠実度は, 既存の表現範囲よりも一貫した改善が見られた。
関連論文リスト
- Grow with the Flow: 4D Reconstruction of Growing Plants with Gaussian Flow Fields [37.924718950550336]
植物成長をガウスパラメータ上の時間変化微分としてモデル化する3次元ガウス流場表現を提案する。
成熟した植物を再構築し、逆成長の過程を学習し、植物の発達史を効果的に逆向きにシミュレートする。
本手法は,植物成長のマルチビュータイムラプスデータセットにおける先行手法と比較して,画像品質と幾何的精度を向上する。
論文 参考訳（メタデータ） (2026-02-09T17:55:01Z) - Causal Representation Meets Stochastic Modeling under Generic Geometry [49.24293444627916]
我々は,連続時間潜在点過程の因果表現学習を開発する。
MUTATEは時間適応型遷移モジュールを持つ変分自動エンコーダフレームワークである。
シミュレーションおよび実証研究全体で、MUTATEは科学的疑問に効果的に答えられることが判明した。
論文 参考訳（メタデータ） (2026-02-04T20:40:53Z) - Image-based Morphological Characterization of Filamentous Biological Structures with Non-constant Curvature Shape Feature [2.099922236065961]
身体の異なる部位でメカノ刺激を受けた場合, 腱の形状変化を経時的に解析できる画像ベース手法を提案する。
メカニカル・ラビング後の腱の形状を再構成するために, 3次元ピアース・ワイズ・クロソイドモデルを用いた幾何学的手法を用いる。
以上の結果から, 腱の根尖部における反応性は, 臓器のその部位において高い感度と組織の柔軟性に対応している可能性が示唆された。
論文 参考訳（メタデータ） (2025-11-09T04:54:16Z) - Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow [80.00833033784079]
細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。
NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
論文 参考訳（メタデータ） (2025-11-02T15:41:38Z) - Synthetic Fungi Datasets: A Time-Aligned Approach [3.996773524410032]
このデータセットは、胞の大きさの縮小、分岐ダイナミクス、複雑な菌糸体ネットワークの出現などの現象を捉えている。
データセットはディープラーニング(DL)アプリケーションに最適化されている。
農業、医学、産業の菌学にまたがる応用により、この資源は菌類分析を自動化するための堅牢な基盤を提供する。
論文 参考訳（メタデータ） (2025-01-06T09:00:17Z) - PhyloGen: Language Model-Enhanced Phylogenetic Inference via Graph Structure Generation [50.80441546742053]
系統樹は種間の進化的関係を解明する。
伝統的なマルコフ連鎖モンテカルロ法は、緩やかな収束と計算上の負担に直面している。
我々は、事前学習されたゲノム言語モデルを活用する新しい方法であるPhyloGenを提案する。
論文 参考訳（メタデータ） (2024-12-25T08:33:05Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Generative Plant Growth Simulation from Sequence-Informed Environmental Conditions [0.32985979395737786]
植物成長シミュレーションは、植物または植物系の再構成された視覚表現として特徴付けられる。
本研究では、条件付き生成モデルを用いて、植物表現の分布を暗黙的に学習するシーケンスインフォームド植物成長シミュレーションフレームワーク(SI-PGS)を提案する。
我々は,SI-PGSが時間的依存を捕捉し,植物の成長の現実的なフレームを連続的に生成できることを実証した。
論文 参考訳（メタデータ） (2024-05-23T17:06:46Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Growing Isotropic Neural Cellular Automata [63.91346650159648]
我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。
細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
論文 参考訳（メタデータ） (2022-05-03T11:34:22Z)
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。