Resumen Técnico: GeoTopoDiff

Enunciado del Problema

La reconstrucción de microestructuras porosas tridimensionales a gran escala a partir de cortes dispersos de Micro-Tomografía Computarizada (µCT) presenta un desafío significativo para los modelos generativos basados en difusión. Aunque los modelos de difusión han demostrado ser prometedores para resolver problemas inversos mal planteados, los enfoques basados en volúmenes existentes enfrentan una compensación fundamental en aplicaciones industriales: lograr una alta fidelidad topológica generalmente requiere escaneos µCT completamente observados y de alta resolución, lo que limita el campo de visión y el rendimiento. Por el contrario, las pipelines de difusión condicional basadas en observaciones de frontera dispersas (por ejemplo, solo cortes superior e inferior) son más eficientes, pero sufren la mal planteada inherente del problema inverso.

La limitación central identificada es la representación del espacio latente. Los métodos actuales realizan la eliminación de ruido inversa en el espacio de ocupación de volúmenes, lo que captura la morfología local de los poros pero falla en modelar explícitamente la topología discreta de garganta-poro. En consecuencia, las condiciones de frontera dispersas pueden conducir a múltiples reconstrucciones visualmente plausibles que poseen topologías de grafos de garganta-poro contradictorias, resultando en una pobre consistencia en propiedades de transporte como la permeabilidad.

Metodología: GeoTopoDiff

Los autores proponen GeoTopoDiff, un marco de difusión de grafos diseñado para reconstruir microestructuras porosas 3D a partir de cortes µCT dispersos superiores e inferiores. El método desplaza el paradigma de aprendizaje desde un espacio basado en volúmenes hacia un espacio de estados de grafo mixto que abarca simultáneamente la geometría continua de los poros y la topología discreta de garganta-poro.

1. Representación de Estado de Grafo Mixto

En lugar de operar sobre rejillas de volúmenes, GeoTopoDiff representa el medio poroso como un grafo $S = (B, C, E)$:

• $B$ (Geometría Continua): Almacena los centroides de los cuerpos de poro $(x, y, z)$ y los radios equivalentes.
• $C$ (Estados Discretos de Nodos): Etiquetas categóricas que indican cuerpos de poro activos o nodos nulos.
• $E$ (Topología Discreta): Etiquetas categóricas que indican conexiones de garganta o aristas nulas entre cuerpos de poro.

El marco emplea un proceso de difusión hacia adelante mixto donde las variables de geometría continua se corrompen mediante difusión gaussiana, mientras que los estados discretos de nodos y aristas se corrompen mediante difusión categórica.

2. Prior Parcial de Grafo Consciente de la Topología

Para restringir el proceso de eliminación de ruido inverso, GeoTopoDiff extrae un grafo de frontera parcial ($G_B$) de los cortes superior e inferior observados. Este grafo incluye:

• Geometría de frontera y estados de nodos observados directamente.
• Evidencia topológica suave derivada de la consistencia entre superior e inferior (emparejamiento de componentes de poro a través de cortes).
• Máscaras ($M_B, M_C, M_{E,obs}$) que identifican variables que pueden ser "fijadas en bloque" durante el muestreo para imponer consistencia de frontera.

3. Muestreo Inverso y Decodificación

El proceso inverso es un paso de eliminación de ruido condicionado a la frontera donde una red neuronal ($D_\theta$) predice el ruido de geometría y los logits para los estados de nodos/aristas.

• Interacción Geo-Topo: El modelo utiliza un mecanismo de atención especializado donde las actualizaciones de nodos conscientes de la geometría agregan mensajes de vecinos de aristas, y las actualizaciones de aristas utilizan características de nodos incidentes. Esto permite que la topología influya en la eliminación de ruido de la geometría y viceversa.
• Fijación en Bloque (Clamping): Después de cada paso inverso, las variables de frontera observadas directamente se proyectan (fijan en bloque) para coincidir con los cortes observados, reduciendo la incertidumbre posterior en el interior no observado.
• Decodificador de Grafo a Volumen: El grafo desruido final $S_0$ se decodifica en un mapa de probabilidad de volúmenes 3D utilizando un campo de ocupación suave analítico combinado con refinamiento residual, asegurando que la salida permanezca acoplada al grafo de poros muestreado.

Contribuciones Clave

1. Formulación de un Problema Inverso Mixto: Los autores formulan la reconstrucción porosa 3D con frontera dispersa como un problema inverso de difusión continuo-discreto mixto, preservando explícitamente tanto la geometría del poro como la topología de garganta-poro.
2. Marco GeoTopoDiff: Introducen un marco que transfiere el aprendizaje de prior de difusión a un espacio de estados de grafo mixto, utilizando un prior de grafo parcial consciente de la topología para restringir la eliminación de ruido inverso de las regiones interiores no observadas.
3. Validación Empírica: El método se evalúa en PTFE anisotrópico y arenisca de Fontainebleau isotrópica, demostrando mejoras sobre líneas base representativas en morfología, fidelidad de topología de grafo y consistencia orientada al transporte.

Resultados Experimentales

El modelo se probó en dos conjuntos de datos (PTFE y arenisca de Fontainebleau) utilizando solo cortes superior e inferior como entrada, con cortes internos reservados para la evaluación de la verdad fundamental. GeoTopoDiff se comparó contra seis líneas base, incluidos métodos estadísticos, GANs de 2D a 3D y modelos de difusión basados en volúmenes.

Métricas Clave de Rendimiento:

• Morfología: GeoTopoDiff redujo los errores relacionados con la morfología (medidos por Funciones de Correlación de Dos Puntos y Distribución de Tamaño de Poros) en un 19.8% en promedio en comparación con las líneas base.
• Topología y Transporte: El método redujo los errores de transporte sensibles a la topología (error relativo medio de permeabilidad) en un 36.5% en promedio. Específicamente, redujo el error de permeabilidad en un 42.3% para PTFE y en un 27.9% para arenisca en comparación con la línea base más fuerte (LDM-3DG).
• Conectividad: La tasa de desconexión se redujo en un 44.9% (PTFE) y en un 31.0% (arenisca), indicando una preservación superior de la conectividad a través del plano.
• Estudios de Ablación: Eliminar el prior de grafo de frontera o el componente de difusión topológica discreta condujo a la degradación de rendimiento más significativa, confirmando que la topología debe generarse como una variable de primera clase en lugar de inferirse a posteriori.

Significado y Afirmaciones

El artículo afirma que el cambio desde espacios latentes basados en volúmenes hacia un espacio de estados de grafo mixto es crítico para problemas inversos científicos donde el fenómeno objetivo está gobernado por una estructura de alto nivel. Al restringir explícitamente el espacio de soluciones con un prior de grafo parcial de frontera, GeoTopoDiff permite que el muestreo de difusión opere sobre los grados de libertad estructurales que determinan si un interior no solo es visualmente plausible, sino también consistente en conectividad y transporte.

Los autores postulan que para medios porosos, donde las propiedades funcionales dependen de la estructura de la red de poros (porosidad, conectividad, permeabilidad), diseñar el espacio de estados de difusión alrededor de la estructura subyacente es tan importante como mejorar la propia red de eliminación de ruido. El trabajo sugiere una lección más amplia para problemas inversos científicos: cuando el objetivo está gobernado por una estructura de alto nivel, el modelado estructural explícito dentro del proceso generativo puede reducir significativamente la incertidumbre posterior bajo observaciones dispersas.

Los autores señalan limitaciones relacionadas con la escalabilidad computacional (escalamiento cuadrático con el número de cuerpos de poro debido a conjuntos de aristas densos) y la dependencia de la calidad de la segmentación de frontera, pero afirman que el enfoque actual cierra exitosamente la brecha entre las necesidades de imágenes industriales de alto rendimiento y la fidelidad topológica. Todos los modelos y códigos están disponibles públicamente.