論文の概要: NanoMorph-3D: An End-to-End Physics-Driven Unrolling Framework for Nanomaterial Reconstruction

• arxiv url: http://arxiv.org/abs/2608.03257v1
• Date: Tue, 04 Aug 2026 07:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.079639
• Title: NanoMorph-3D: An End-to-End Physics-Driven Unrolling Framework for Nanomaterial Reconstruction
• Title（参考訳）: NanoMorph-3D: ナノマテリアル再構成のためのエンド・ツー・エンド物理駆動アンロールフレームワーク
• Abstract要約: NanoMorph-3Dは包括的ナノ形態分類に基づくエンドツーエンドの統一フレームワークである。 非線形電子減衰を明示的にモデル化した大規模合成データセットを用いて, 近似勾配勾配を学習可能なアーキテクチャにマッピングする物理駆動アンロールネットワークを設計する。 実験では、NanoMorph-3Dが優れた忠実度と速度で様々なトポロジを再構成することを示した。
• 参考スコア（独自算出の注目度）: 12.817808960536397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise 3D characterization of nanomaterials is essential for unlocking structure-property relationships. However, standard electron tomography is fundamentally limited by the missing wedge problem. Consequently, conventional algorithms suffer from severe geometric distortions, a challenge further complicated by pervasive noise interference. Current learning-based methods either rely on physics-blind post-processing or employ end-to-end architectures constrained by local receptive fields, failing to capture complex 3D topologies. We propose NanoMorph-3D, a unified end-to-end framework grounded in a comprehensive Nanomorphological Taxonomy. Powered by a large-scale synthetic dataset explicitly modeling non-linear electron attenuation, we design a Physics-Driven Unrolled Network mapping proximal gradient descent into a learnable architecture. To capture complex internal topologies, we formulate a hierarchical attention mechanism with Physics-Normalization for long-range 3D dependencies and scale invariance. Crucially, our Dual-Domain strategy leverages Sinusoidal Attention to explicitly model physical projection trajectories, enforcing strict sinogram consistency to mitigate missing wedge artifacts. Finally, an unsupervised dual-stream mechanism bridges the simulation-to-reality gap. Experiments demonstrate NanoMorph-3D reconstructs diverse topologies with superior fidelity and speed.
• Abstract（参考訳）: ナノ材料の精密3次元キャラクタリゼーションは, 構造-物性関係の解離に不可欠である。 しかし、標準電子トモグラフィーは、欠落したウェッジ問題によって根本的に制限されている。 その結果、従来のアルゴリズムは厳密な幾何歪みに悩まされ、広汎なノイズ干渉によってさらに複雑になる。 現在の学習ベースの手法は物理盲検後処理に依存しているか、あるいは局所受容場に制約されたエンドツーエンドアーキテクチャを採用しており、複雑な3Dトポロジを捉えていない。 包括的ナノ形態学に基づくエンドツーエンドフレームワークであるNanoMorph-3Dを提案する。 非線形電子減衰を明示的にモデル化した大規模合成データセットを用いて, 近似勾配勾配を学習可能なアーキテクチャにマッピングする物理駆動型アンロールネットワークを設計する。 複雑な内部トポロジを捉えるために、長距離3次元依存とスケール不変性に対する物理ノルマライゼーションを用いた階層的アテンション機構を定式化する。 重要なことは、我々のDual-Domain戦略は、Sinusoidal Attentionを利用して物理的射影軌道を明示的にモデル化し、欠けているくさびのアーティファクトを緩和するために厳密なシングラムの一貫性を強制する。 最後に、教師なしの二重ストリーム機構がシミュレーションと現実のギャップを橋渡しする。 実験では、NanoMorph-3Dが優れた忠実度と速度で様々なトポロジを再構成することを示した。

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)
• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• PhyScene3D: Physically Consistent Interactive 3D Tabletop Scene Generation [75.9028457575434]
  3Dテーブルトップシーンの生成は、インタラクティブでジェネラリスト的なロボット学習の基本的な問題である。 本稿では,PhyScene3Dについて紹介する。 実験により、PhyScene3Dは意味的精度と物理的妥当性の両方において最先端のアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2026-06-01T03:56:32Z)
• Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
  本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
  論文  参考訳（メタデータ） (2026-05-02T17:09:31Z)
• GeoFunFlow-3D: A Physics-Guided Generative Flow Matching Framework for High-Fidelity 3D Aerodynamic Inference over Complex Geometries [5.068156424858535]
  GeoFunFlow-3Dは物理誘導型生成フローマッチングフレームワークである。 我々は、勾配剛性を低減するために、自動微分(No-AD)のない高次離散エンジンを導入する。 NASA Rotor37のテストでは、3Dの分離された衝撃構造を正確に捉えた。
  論文  参考訳（メタデータ） (2026-04-25T15:24:13Z)
• 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)
• NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
  劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。 特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
  論文  参考訳（メタデータ） (2026-03-28T10:46:29Z)
• PBR-NeRF: Inverse Rendering with Physics-Based Neural Fields [49.6405458373509]
  シーン形状,材料,照明を共同で推定できる逆レンダリング(IR)モデルを提案する。 本手法は, 材料推定を必要とする他の逆レンダリングおよび3次元再構成フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-12T19:00:21Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-06-10T08:32:57Z)
• Boundary Graph Neural Networks for 3D Simulations [6.041255257177852]
  バウンダリグラフニューラルネットワーク(BGNN)は、ホッパー、回転ドラム、ミキサーの複雑な3次元粒状フロープロセスで試験される。 BGNNは、何十万ものシミュレーションタイムステップに対して、シミュレーションの不確実性の中で3Dグラニュラーフローを正確に再現することができる。
  論文  参考訳（メタデータ） (2021-06-21T17:56:07Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。