arXiv · 机器人与计算机视觉· Zhuangzhuang Ma, Rukuan Chai, Qianqian Ma, Yanghua Wang, Branko Bijeljic, Martin J. Blunt·· 6 天前AI 评分38
时空学习提升孔隙空间演化与流体置换量化精度
Spatiotemporal learning improves quantification of pore-space evolution and fluid displacement
AI 导读
该研究提出基于 Transformer 的 4D 分割框架,融合时空信息以区分物理变化与分割误差。在矿物溶解数据集上,该方法比忽略时序信息的等效 3D 模型更准确地测量孔隙体积增长和岩石边界,且无需逐图调整参数即可将数百张三维图像转化为可靠的量化数据。
来源:arXiv · 机器人与计算机视觉 · arxiv.org