論文の概要: ReGDiff: Guided Diffusion in Regulated Latent Space for Exploring Metamaterial Voxel Geometry

• arxiv url: http://arxiv.org/abs/2609.34231v1
• Date: Mon, 28 Sep 2026 03:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:45:00.949509
• Title: ReGDiff: Guided Diffusion in Regulated Latent Space for Exploring Metamaterial Voxel Geometry
• Title（参考訳）: ReGDiff:メタマテリアルボクセル形状探索のための規則付き潜時空間での誘導拡散
• Abstract要約: ボクセル表現はメタマテリアル幾何学生成のための統一フォーマットを提供する。 既知のジオメトリーに近づき続けることは、幾何学的規則性を維持するのに役立つが、それから離れることは、新規性には必要だが、縮退したジオメトリーを生み出す可能性がある。 本稿では,Voxel表現と遅延空間制御と誘導拡散を結合した生成フレームワークREGDIFFを提案する。
• 参考スコア（独自算出の注目度）: 17.5781327522295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metamaterials are artificially engineered structures whose mechanical and physical behaviors are strongly shaped by geometry rather than composition. Voxel representation provides a unified format for metamaterial geometry generation, as it can express diverse classes such as truss, shell, and porous structures within a single cubic discretization. However, voxel-based generation faces a plausibility-novelty trade-off: staying close to known geometries helps preserve geometric regularities, while moving away from them is necessary for novelty but may produce degenerate geometries. To address this challenge, we propose REGDIFF, a generative framework that couples voxel representation with latent space regulation and guided diffusion. REGDIFF introduces a repel-and-sink (RAS) mechanism to smooth the latent distribution of plausible geometries, and short-range repulsion (SRR) guidance to discourage generation overly close to known samples while maintaining geometric plausibility. We further contribute a voxel-based benchmark covering truss- and shell-type metamaterial geometries, together with an evaluation module for geometric plausibility, novelty, and diversity. Experiments show that REGDIFF outperforms voxel-based generative baselines, achieving +8.9% in geometric plausibility, +46.4% in novelty, and +128.6% in diversity on average across two datasets. These results suggest that REGDIFF is a strong geometry candidate generator for downstream evaluation. Our code is provided at https://github.com/wzhan24/ReGDiff.
• Abstract（参考訳）: メタマテリアルは、機械的および物理的挙動が組成ではなく幾何学によって強く形作られる人工的に設計された構造である。 ボクセル表現はメタマテリアル幾何生成のための統一形式を提供し、単一の立方分解の中でトラス、シェル、多孔質構造などの多様なクラスを表現できる。 しかし、ボクセルベースの生成は、既知の測地に近づきながら幾何学的規則性を維持するのに役立ち、新規性にはそれから離れる必要があるが、縮退した測地を創出する可能性がある。 この課題に対処するため,Voxel表現と遅延空間制御と誘導拡散を結合した生成フレームワークREGDIFFを提案する。 REGDIFFは、可視なジオメトリーの潜伏分布を円滑にするためのrepel-and-sink(RAS)機構を導入し、幾何学的可視性を維持しつつ、既知のサンプルに過度に近接する生成を阻止するためのショートレンジ・リプルジョン(SRR)ガイダンスを導入した。 さらに, トラス型およびシェル型メタマテリアル・ジオメトリーをカバーするボクセル・ベンチマークと, 幾何学的妥当性, 新規性, 多様性の評価モジュールについて検討した。 実験の結果、REGDIFFはボクセルベースの生成ベースラインより優れており、幾何学的妥当性は+8.9%、新規性は+46.4%、多様性は+128.6%である。 これらの結果から,REGDIFFは下流評価のための強力な幾何学的候補生成器であることが示唆された。 私たちのコードはhttps://github.com/wzhan24/ReGDiff.comで提供されています。

関連論文リスト

• GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World Generation [79.28580044574306]
  本稿では,知覚と生成の共通基盤として,コンパクトな幾何学ネイティブな潜在空間を提案する。 我々は、このシフトを幾何学ネイティブオートエンコーダ(GAE)で実現し、その潜伏線は外観、深度、カメラ、点マップに共起可能である。
  論文  参考訳（メタデータ） (2026-09-21T17:56:25Z)
• Riemannian Langevin Dynamics: Strong Convergence of Geometric Euler-Maruyama Scheme [51.56484100374058]
  実世界のデータにおける低次元構造は、生成モデルの成功に重要な役割を果たしている。 多様体値微分方程式に対する数値スキームの収束理論を証明する。
  論文  参考訳（メタデータ） (2026-03-04T01:29:35Z)
• Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
  本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
  論文  参考訳（メタデータ） (2024-10-16T17:53:26Z)
• Grounding Continuous Representations in Geometry: Equivariant Neural Fields [26.567143650213225]
  そこで我々は,幾何インフォームド・クロスアテンションを用いた新しいCNFアーキテクチャを提案する。 このアプローチは、フィールドと潜伏剤の両方を幾何学的にグラウンド化することによって、ステアビリティ特性を誘導することを示す。 分類,セグメンテーション,予測,再構築,生成モデルなど,様々なタスクにおいて,これらの主な特性を検証する。
  論文  参考訳（メタデータ） (2024-06-09T12:16:30Z)
• Exploring Data Geometry for Continual Learning [64.4358878435983]
  非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。 提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。 実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-08T06:35:25Z)
• Geometric Clifford Algebra Networks [53.456211342585824]
  本稿では,動的システムのモデリングのためのGeometric Clifford Algebra Networks (GCANs)を提案する。 GCANは幾何学的(クリフォード)代数を用いた対称性群変換に基づいている。
  論文  参考訳（メタデータ） (2023-02-13T18:48:33Z)
• A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
  ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。 我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
  論文  参考訳（メタデータ） (2021-05-06T17:36:55Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)

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。