基于生成对抗网络的多孔材料数字重建十年回顾
计算机视觉与模式识别
2026-03-13 v1 材料科学
地球物理
摘要
数字重建多孔材料正变得越来越关键，适用于从地质储层表征到组织工程和电化学器件设计等领域。虽然传统方法如微型CT和统计重建方法已在该领域奠定了基础，但深度学习技术，特别是生成对抗网络（GAN），已彻底革新了多孔介质重建能力。本综述系统分析了2017年至2026年初发表的96篇同行评议文献，考察GAN-based 方法在多孔材料图像重建中的演化与应用。我们将GAN架构划分为六大类：Vanilla GANs、Multi-Scale GANs、Conditional GANs、Attention-Enhanced GANs、Style-based GANs和Hybrid Architecture GANs。我们的分析显示，在 porosity 精度（接近原始样本的1%）、渗透率预测（均相对误差降低最高79%）以及可实现的重建体积（从最初的 达到当前 体素）方面均取得了显著进展。尽管如此，计算效率、大规模重建的内存限制以及2D到3D转换中保持结构连续性的挑战仍然存在。本系统性分析提供了基于具体应用需求选择合适GAN架构的综合框架。
引用
@article{arxiv.2603.11836,
title = {A Decade of Generative Adversarial Networks for Porous Material Reconstruction},
author = {Ali Sadeghkhani and Brandon Bennett and Masoud Babaei and Arash Rabbani},
journal= {arXiv preprint arXiv:2603.11836},
year = {2026}
}
备注
96 pages, supplementary material included (34 pages, 6 tables covering all 96 reviewed implementations)