技術的概要：GeoTopoDiff

問題定義

疎なマイクロコンピュータ断層撮影（µCT）スライスからの大規模な 3 次元多孔質微細構造の再構成は、拡散ベースの生成モデルにとって重大な課題である。拡散モデルは未確定逆問題の解決において有望な成果を示しているが、既存のボクセルベースのアプローチは産業応用において根本的なトレードオフに直面している。高いトポロジ忠実度を達成するには、通常、完全観測された高解像度のµCT スキャンが必要であり、これが視野とスループットを制限する。一方、疎な境界観測（例えば、上部と下部のスライスのみ）に基づく条件付き拡散パイプラインはより効率的であるが、逆問題に内在する未確定性によって苦しめられる。

特定された核心的な限界は、潜在空間表現にある。現在の手法はボクセル占有空間で逆方向のノイズ除去を行うが、これは局所的な細孔形態を捉えるものの、離散的な細孔 - 喉部トポロジを明示的にモデル化することに失敗している。その結果、疎な境界条件は、矛盾する細孔 - 喉部グラフトポロジを持つ複数の視覚的に妥当な再構成をもたらす可能性があり、浸透率などの輸送特性において一貫性が低下する。

手法：GeoTopoDiff

著者らは、疎な上部および下部µCT スライスから 3 次元多孔質微細構造を再構成するために設計されたグラフ拡散フレームワークであるGeoTopoDiffを提案する。この手法は、学習パラダイムをボクセルベースの空間から、連続的な細孔幾何学と離散的な細孔 - 喉部トポロジを同時に包含する混合グラフ状態空間へと移行させる。

1. 混合グラフ状態表現

ボクセル格子上で動作する代わりに、GeoTopoDiff は多孔質媒体をグラフ $S = (B, C, E)$ として表現する：

• $B$（連続幾何学）： 細孔本体の重心 $(x, y, z)$ と等価半径を格納する。
• $C$（離散ノード状態）： 活性化した細孔本体または Null ノードを示すカテゴリカルラベル。
• $E$（離散トポロジ）： 細孔本体間の喉部接続または Null エッジを示すカテゴリカルラベル。

このフレームワークは、連続幾何学変数をガウス拡散によって汚染し、離散ノードおよびエッジ状態をカテゴリカル拡散によって汚染する混合前方拡散プロセスを採用する。

2. トポロジ認識部分グラフ事前分布

逆方向のノイズ除去プロセスを制約するために、GeoTopoDiff は観測された上部および下部スライスから部分境界グラフ ($G_B$) を抽出する。このグラフには以下が含まれる：

• 直接観測された境界幾何学とノード状態。
• 上下の一貫性（スライス間での細孔コンポーネントのマッチング）から導かれるソフトなトポロジ的証拠。
• サンプリング中に「ハードクランプ」して境界一貫性を強制できる変数を特定するマスク ($M_B, M_C, M_{E,obs}$)。

3. 逆サンプリングとデコーディング

逆プロセスは、ニューラルネットワーク ($D_\theta$) が幾何学ノイズとノード/エッジ状態のロジットを予測する、境界条件付きのノイズ除去ステップである。

• Geo-Topo 相互作用： モデルは、幾何学認識ノード更新がエッジ近傍メッセージを集約し、エッジ更新が接続ノード特徴を使用する、専門的なアテンション機構を利用する。これにより、トポロジが幾何学ノイズ除去に影響を与え、その逆も可能となる。
• クランプ： 各逆ステップの後、直接観測された境界変数は観測されたスライスと一致するように投影（クランプ）され、観測されていない内部の事後不確実性が低減される。
• グラフからボリュームへのデコーダ： 最終的なノイズ除去済みグラフ $S_0$ は、解析的なソフト占有場と残差精製を組み合わせて 3 次元ボクセル確率マップにデコードされ、出力がサンプリングされた細孔グラフと結合されたままになることを保証する。

主要な貢献

1. 混合逆問題の定式化： 著者らは、疎な境界 3 次元多孔質再構成を、細孔幾何学と細孔 - 喉部トポロジの両方を明示的に保持する混合連続 - 離散拡散逆問題として定式化した。
2. GeoTopoDiff フレームワーク： 彼らは、トポロジ認識部分グラフ事前分布を利用して観測されていない内部領域の逆ノイズ除去を制約する、混合グラフ状態空間への拡散事前分布学習の転送を行うフレームワークを導入した。
3. 実証的検証： この手法は異方性 PTFE と等方性フォンテーヌブロー砂岩で評価され、形態、グラフトポロジ忠実度、および輸送指向の一貫性において代表的なベースラインを上回る改善を示した。

実験結果

モデルは、内部スライスを真値評価用に予約し、入力として上部と下部のスライスのみを使用した 2 つのデータセット（PTFE とフォンテーヌブロー砂岩）でテストされた。GeoTopoDiff は、統計的手法、2D から 3D への GAN、およびボクセルベースの拡散モデルを含む 6 つのベースラインと比較された。

主要な性能指標：

• 形態： GeoTopoDiff は、ベースラインと比較して形態関連エラー（2 点相関関数と細孔サイズ分布で測定）を平均して**19.8%**削減した。
• トポロジと輸送： この手法は、トポロジ感受性輸送エラー（浸透率平均相対誤差）を平均して**36.5%**削減した。具体的には、最も強力なベースライン（LDM-3DG）と比較して、PTFE については浸透率エラーを 42.3%、砂岩については 27.9% 削減した。
• 接続性： 非接続率は PTFE で 44.9%、砂岩で 31.0% 削減され、面間接続性の優れた保持を示している。
• アブレーション研究： 境界グラフ事前分布または離散トポロジ拡散コンポーネントを除去すると、最も顕著な性能低下が生じ、トポロジは事後推論ではなく、第一級の変数として生成されなければならないことが確認された。

意義と主張

本論文は、ボクセルベースの潜在空間から混合グラフ状態空間への移行が、高レベルの構造によって支配される現象を対象とする科学的逆問題において決定的であると主張している。境界部分グラフ事前分布によって解空間を明示的に制約することで、GeoTopoDiff は、拡散サンプリングが、内部が視覚的に妥当であるだけでなく、接続性と輸送の一貫性をも決定する構造的自由度上で動作することを可能にする。

著者らは、多孔質媒体において機能特性が細孔ネットワーク構造（孔隙率、接続性、浸透率）に依存するため、拡散状態空間を基礎構造の周りに設計することは、ノイズ除去ネットワーク自体を改善することと同じくらい重要であると提唱する。この研究は、科学的逆問題に対するより広範な教訓を示唆している。つまり、対象が高レベルの構造によって支配される場合、生成プロセス内での明示的な構造モデル化は、疎な観測下での事後不確実性を大幅に低減し得るということである。

著者らは、計算スケーラビリティ（密なエッジセットに起因する細孔本体数に対する二次スケーリング）と境界セグメンテーションの品質への依存性に関する限界を指摘しているが、現在の手法は高スループットの産業イメージングニーズとトポロジ忠実度の間のギャップを成功裏に埋めたと主張している。すべてのモデルとコードは公開されている。