論文の概要: Three-dimensional Microstructural Image Synthesis from 2D Backscattered
Electron Image of Cement Paste
- arxiv url: http://arxiv.org/abs/2204.01645v1
- Date: Mon, 4 Apr 2022 16:50:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 16:29:10.327247
- Title: Three-dimensional Microstructural Image Synthesis from 2D Backscattered
Electron Image of Cement Paste
- Title(参考訳): セメントペーストの2次元後方散乱電子画像からの3次元微細構造画像合成
- Authors: Xin Zhao, Xu Wu, Lin Wang, Pengkun Hou, Qinfei Li, Yuxuan Zhang, Bo
Yang
- Abstract要約: 一般に、硬化したセメントペーストの微細構造は顕微鏡で得られる。
マイクロトモグラフィー (Micro-CT) や集束イオンビーム走査電子顕微鏡 (FiB-SEM) のようないくつかの手法は、3次元の微細構造を取得することができる。
硬質セメントペーストの高品質な3次元組織像を合成する, 固形組織合成法を提案する。
- 参考スコア(独自算出の注目度): 23.12509051854013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The microstructure is significant for exploring the physical properties of
hardened cement paste. In general, the microstructures of hardened cement paste
are obtained by microscopy. As a popular method, scanning electron microscopy
(SEM) can acquire high-quality 2D images but fails to obtain 3D
microstructures.Although several methods, such as microtomography (Micro-CT)
and Focused Ion Beam Scanning Electron Microscopy (FIB-SEM), can acquire 3D
microstructures, these fail to obtain high-quality 3D images or consume
considerable cost. To address these issues, a method based on solid texture
synthesis is proposed, synthesizing high-quality 3D microstructural image of
hardened cement paste. This method includes 2D backscattered electron (BSE)
image acquisition and 3D microstructure synthesis phases. In the approach, the
synthesis model is based on solid texture synthesis, capturing microstructure
information of the acquired 2D BSE image and generating high-quality 3D
microstructures. In experiments, the method is verified on actual 3D Micro-CT
images and 2D BSE images. Finally, qualitative experiments demonstrate that the
3D microstructures generated by our method have similar visual characteristics
to the given 2D example. Furthermore, quantitative experiments prove that the
synthetic 3D results are consistent with the actual instance in terms of
porosity, particle size distribution, and grey scale co-occurrence matrix.
- Abstract(参考訳): この微細構造は硬質セメントペーストの物性を調べる上で重要である。
一般に、硬化したセメントペーストの微細構造は顕微鏡で得られる。
走査型電子顕微鏡 (sem) は高品質な2次元画像を得ることができるが, 3次元微細構造は得られないが, マイクロトモグラフィ (micro-ct) や集束イオンビーム走査型電子顕微鏡 (fib-sem) などいくつかの手法は3次元微細構造を取得できるが, 高品質な3d画像を得ることができない。
これらの問題に対処するために, 硬質セメントペーストの高品質3次元組織像を合成する固相組織合成法を提案する。
2次元後方散乱電子(BSE)画像取得と3次元微細構造合成相を含む。
合成モデルは, 固体集合組織合成を基盤とし, 得られた2次元bse画像の微細構造情報を取り込み, 高品質な3次元微細構造を生成する。
実験では、実際の3d micro-ct画像と2d bse画像で検証する。
最後に, 定性的実験によって得られた3次元微細構造が, 与えられた2次元の例と類似した視覚特性を持つことを示した。
さらに, 粒子径分布, グレースケール共起行列の観点から, 合成3次元結果は実例と一致していることが定量的に証明された。
関連論文リスト
- Denoising diffusion-based synthetic generation of three-dimensional (3D)
anisotropic microstructures from two-dimensional (2D) micrographs [0.0]
条件拡散に基づく生成モデル(DGM)に基づく異方性組織再構築のための枠組みを提案する。
提案するフレームワークは,複数の2次元条件付きDGMの空間的接続を伴い,それぞれが3つの異なる平面に対して2次元マイクロ構造サンプルを生成するように訓練されている。
その結果, このフレームワークは材料相の統計分布だけでなく, 3次元空間における材料特性も再現可能であることがわかった。
論文 参考訳(メタデータ) (2023-12-13T01:36:37Z) - Wonder3D: Single Image to 3D using Cross-Domain Diffusion [105.16622018766236]
Wonder3Dは、単一視点画像から高忠実なテクスチャメッシュを効率的に生成する新しい手法である。
画像から3Dまでのタスクの品質,一貫性,効率性を総括的に改善するため,領域間拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-10-23T15:02:23Z) - Multi-plane denoising diffusion-based dimensionality expansion for
2D-to-3D reconstruction of microstructures with harmonized sampling [0.0]
本研究では,マイクロ3Diffと呼ばれる2次元から3次元の微細構造再構築のための新しい枠組みを提案する。
具体的には、この手法は2Dサンプルの生成に事前訓練されたDGMのみを必要とする。
DGMの逆マルコフ鎖からの偏差に対処するために、調和サンプリング法を開発した。
論文 参考訳(メタデータ) (2023-08-27T07:57:25Z) - Guide3D: Create 3D Avatars from Text and Image Guidance [55.71306021041785]
Guide3Dは拡散モデルに基づく3Dアバター生成のためのテキスト・画像誘導生成モデルである。
我々のフレームワークは、トポロジカルかつ構造的に正しい幾何と高分解能なテクスチャを生成する。
論文 参考訳(メタデータ) (2023-08-18T17:55:47Z) - CC3D: Layout-Conditioned Generation of Compositional 3D Scenes [49.281006972028194]
本稿では,複雑な3次元シーンを2次元セマンティックなシーンレイアウトで合成する条件生成モデルであるCC3Dを紹介する。
合成3D-FRONTと実世界のKITTI-360データセットに対する評価は、我々のモデルが視覚的および幾何学的品質を改善したシーンを生成することを示す。
論文 参考訳(メタデータ) (2023-03-21T17:59:02Z) - MiShape: 3D Shape Modelling of Mitochondria in Microscopy [65.7909757178576]
ミトコンドリアに先立ってMiShapeと呼ばれる形状を学習することでギャップを埋める手法を提案する。
MiShapeはミトコンドリア形状の暗黙的な表現を用いて学習された生成モデルである。
2次元蛍光画像または2次元スライスの小さな3次元スタックが与えられた3次元形状再構成におけるMiShapeの表現力とその有用性を示す。
論文 参考訳(メタデータ) (2023-03-02T19:21:21Z) - MicroLib: A library of 3D microstructures generated from 2D micrographs
using SliceGAN [0.0]
3次元マイクロ構造データセットは、有限要素モデリングで使用される幾何学的領域を定義するために一般的に用いられる。
任意の大きさの3Dマイクロ構造データセットを統計的に生成する機械学習手法であるSliceGANを開発した。
生体材料から高強度鋼まで,87種類の組織にSliceGANを適用した結果について報告する。
論文 参考訳(メタデータ) (2022-10-12T19:13:28Z) - Clean Implicit 3D Structure from Noisy 2D STEM Images [19.04251929587417]
本研究では,STEMにおける2次元センサノイズのジョイントモデルを暗黙の3次元モデルとともに学習することができることを示す。
これらのモデルを組み合わせることで,3次元信号とノイズを監視せずに解離させることができ,同時に,合成データと実データに基づくいくつかのベースラインを達成できることが示される。
論文 参考訳(メタデータ) (2022-03-29T11:00:28Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳(メタデータ) (2021-10-14T23:05:47Z) - Towards Realistic 3D Embedding via View Alignment [53.89445873577063]
本稿では,3次元モデルを2次元背景画像に現実的に,かつ自動的に埋め込み,新たな画像を構成する,革新的なビューアライメントGAN(VA-GAN)を提案する。
VA-GANはテクスチャジェネレータとディファレンシャルディスクリミネーターで構成され、相互接続され、エンドツーエンドのトレーニングが可能である。
論文 参考訳(メタデータ) (2020-07-14T14:45:00Z) - Microstructure Generation via Generative Adversarial Network for
Heterogeneous, Topologically Complex 3D Materials [0.0]
我々は, 固体酸化物燃料電池電極の3次元微細構造を学習・生成するために, GAN(Generative Adversarial Network)フレームワークを実装した。
粒子生成アルゴリズム(DREAM.3D)による結果との比較および比較を行った。
高忠実度でマイクロ構造を再現する生成機械学習モデルの能力は、複雑なマイクロ構造の本質を捕捉し、コンパクトでマニピュラブルな形で表現できることを示唆している。
論文 参考訳(メタデータ) (2020-06-22T21:52:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。