Unlocking Sub‐Micrometer Features in Carbonate Rocks: A Cascading Super‐Resolution Approach for Multiscale Multi‐Instrument Carbonate Characterization
Notice bibliographique
Résumé
Abstract Digital imaging and modeling are essential tools for characterizing rock structures and understanding fluid flow behavior. These efforts often rely on X‐ray micro‐computed tomography (micro‐CT), which faces an inherent trade‐off between resolution and field‐of‐view (FOV). Deep learning super‐resolution (SR) methods have been developed to overcome this limitation, but their application to carbonate rocks is challenged by complex micro‐nanometer features. Due to the resolution limits, micro‐CT fails to capture sub‐micrometer features such as micropores in carbonates, and using such data as high‐resolution (HR) training images limits the SR model's ability to accurately reconstruct the micropore structures. We introduce a cascading SR pipeline designed to address these challenges and reveal sub‐micrometer features in carbonate rocks. The approach integrates multi‐stage 2D SR networks to progressively enhance low‐resolution (LR) images toward the HR domain, followed by a third‐plane SR network for 3D reconstruction. We evaluate this method on a three‐stage SR task: starting from a 3 m resolution micro‐CT image, super‐resolving to an intermediate 1 m resolution, and ultimately reaching 0.1 m resolution based on scanning electron microscopy (SEM), achieving a 30 scale factor. Validation with unseen SEM demonstrates that the reconstructed domains retain essential structural and physical properties. This approach provides a practical solution to current imaging limitations and enables the integration of multi‐resolution modalities for improved rock characterization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».