粘土和水泥基材料的物理特性在材料科学、地质废料处置等领域至关重要。传统的属性模拟依赖于三维成像，但三维扫描成本高、获取困难，且对某些材料存在技术限制。\ \ 相对容易获取的二维切片图像为替代方案提供了可能。近年来，深度生成模型的快速发展使得从二维图像重建三维体积成为可行。基于生成对抗网络（GAN）的方法中，SliceGAN 在均匀各向同性和各向异性系统上取得了显著成果，但在捕捉更复杂的异质微结构细节时表现不足，这促使研究者探索新的生成框架。\ \ 本文提出一种混合生成策略，结合去噪扩散模型的稳定性与高质量生成能力。由于缺乏三维真实数据，作者用对抗损失取代了标准的去噪损失，使得训练过程在实验中保持稳定。模型在训练时同时优化扩散过程的噪声预测和判别器的对抗目标，从而在没有三维标签的情况下学习到合理的体积分布。\ \ 实验结果表明，所建模型能够生成不同复杂度的三维微结构，切片伪影显著降低，生成的相分数和结构描述子与真实数据高度吻合。相较于传统的 SliceGAN，本文方法在细节保留和全局统计一致性方面均有明显提升。\ \ 总体而言，这一基于稳定扩散‑对抗训练的框架为高成本三维成像提供了低成本的替代方案，为材料表征和地质模拟打开了新路径。\ \ 点评