Fugu-MT 論文翻訳(概要): Structure-aware Riemannian Growth Fields for 4D Plant Modeling

論文の概要: Structure-aware Riemannian Growth Fields for 4D Plant Modeling

arxiv url: http://arxiv.org/abs/2608.13007v1
Date: Thu, 13 Aug 2026 09:25:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.463487
Title: Structure-aware Riemannian Growth Fields for 4D Plant Modeling
Title（参考訳）: 4次元プラントモデリングのための構造対応リーマン成長場
Abstract要約: 本研究では, 植物の連続的な幾何学的・トポロジ的進化を, 微小な時間的観測から再構築する, 4次元植物成長モデリングの新しい枠組みを提案する。実験により,本手法は時間とともに個々の臓器の成長を正確に追跡し,幾何的精度と対応性の両方において最先端のベースラインを著しく上回っていることが示された。
参考スコア（独自算出の注目度）: 6.770272642898533
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce a novel framework for 4D plant growth modeling that reconstructs the continuous geometric and topological evolution of plants from sparse temporal observations. Existing methods mainly rely on dense registration, yet reliable dense sequences are hard to obtain due to scanning constraints and self-occlusions, leaving these approaches struggling under large temporal gaps where rapid organ emergence violates local rigidity. To overcome this, we bridge these gaps by formulating plant morphogenesis as a continuous procedural process on a structure-aware Riemannian growth field; this jointly models topology evolution and geometric deformation, preserving botanical hierarchies and stable spatio-temporal correspondences across distant timepoints. Our key idea is to ground symbolic growth rules within a continuous geodesic flow, where organ development follows biologically modulated trajectories that preserve structural coherence under topological changes. We further contribute a 10-day dual-species dataset with dense geometric and semantic annotations. Experiments demonstrate that our method accurately tracks individual organ growth over time and significantly outperforms state-of-the-art baselines in both geometric accuracy and correspondence consistency.
Abstract（参考訳）: 本稿では, 微小時間観測から植物の連続的な幾何学的・位相的進化を再構築する, 4次元植物成長モデリングの新しい枠組みを提案する。既存の方法は、主に密度の高い登録に頼っているが、スキャンの制約や自己閉塞のために、信頼できる高密度配列を得るのは難しいため、これらのアプローチは、急激な臓器の出現が局所的な剛性に反する大きな時間的ギャップに苦しむ。これを克服するために、植物形態形成を構造を意識したリーマン成長場上の連続的な手続き過程として定式化することにより、これらのギャップを橋渡しする; この共同モデルは、トポロジーの進化と幾何学的変形をモデル化し、植物階層を保存し、遠い時間点をまたいだ安定した時空間対応を保った。我々のキーとなる考え方は、構造的コヒーレンスをトポロジカルな変化の下で保持する生物学的に調節された軌道を辿り、連続的な測地流の中で象徴的な成長規則を定めることである。さらに、密接な幾何学的および意味的アノテーションを備えた10日間の二重種データセットをコントリビュートする。実験により,本手法は時間とともに個々の臓器の成長を正確に追跡し,幾何的精度と対応性の両方において最先端のベースラインを著しく上回っていることが示された。

関連論文リスト

Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning [58.130498928480456]
本稿では, トポロジ保存型テッセルレーションプロセスとして, 点雲生成を再構成する自己回帰フレームワークであるPointRSPを提案する。 PointRSPは、複雑な3Dトポロジーをまたいだ強力な一般化を証明し、世代品質と多様性の最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-08-03T16:11:43Z)
Transient State Reorganization and Cell Differentiation in the Developmental Dynamics of Growing Neural Cellular Automata [0.7498027847107155]
神経細胞オートマタ(GNCA)は、単一の種子細胞から局所的ルールを共有することで複雑な形態を発達させる。 GNCAがどのように成長するかを調べるため、訓練されたGNCAモデルの完全な発達軌跡を追究した。
論文参考訳（メタデータ） (2026-07-17T08:04:11Z)
GrowFields: Compositional 4D Neural Fields for Topology-Changing Plant Growth [20.00023114696958]
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。
論文参考訳（メタデータ） (2026-07-03T13:48:58Z)
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)
Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文参考訳（メタデータ） (2026-02-02T14:13:28Z)
ST-DETrack: Identity-Preserving Branch Tracking in Entangled Plant Canopies via Dual Spatiotemporal Evidence [0.7448758790630549]
出芽から開花までの分岐アイデンティティを保護するために設計された2重デコーダネットワークST-DETrackを提案する。我々のアーキテクチャは、空間的一貫性と、動きのあいまいさを生かした時間デコーダを統合している。 ST-DETrackは93.6%の分岐マッチング精度(BMA)を達成し、それぞれ28.9ポイントと3.3ポイントで空間的ベースラインと時間的ベースラインを大きく上回っている。
論文参考訳（メタデータ） (2025-12-17T13:42:34Z)
U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences [54.77163447282599]
既存の生成フレームワークは、すべての空間領域を均一に扱い、現実世界のシーンで様々な不確実性を見渡せる。 4次元LiDAR世界モデリングのための不確実性認識フレームワークであるU4Dを提案する。提案手法はまず,事前訓練されたセグメンテーションモデルから空間不確実性マップを推定し,意味論的に困難な領域を局所化する。次に,(1)高エントロピー領域を微細な幾何学的忠実度で再構成する不確実領域モデリング,(2)学習された構造的先行条件の下で残りの領域を合成する不確実条件完備化という2つの段階を通じて,「ハード・トゥ・イージー」な方法で生成を行う。
論文参考訳（メタデータ） (2025-12-02T17:59:57Z)
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)
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)
Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。