論文の概要: MicroLib: A library of 3D microstructures generated from 2D micrographs using SliceGAN

• arxiv url: http://arxiv.org/abs/2210.06541v1
• Date: Wed, 12 Oct 2022 19:13:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 17:27:53.938821
• Title: MicroLib: A library of 3D microstructures generated from 2D micrographs using SliceGAN
• Title（参考訳）: MicroLib: SliceGANを用いた2Dマイクログラフから生成された3Dミクロ構造のライブラリ
• Authors: Steve Kench, Isaac Squires, Amir Dahari, Samuel J Cooper
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D microstructural datasets are commonly used to define the geometrical domains used in finite element modelling. This has proven a useful tool for understanding how complex material systems behave under applied stresses, temperatures and chemical conditions. However, 3D imaging of materials is challenging for a number of reasons, including limited field of view, low resolution and difficult sample preparation. Recently, a machine learning method, SliceGAN, was developed to statistically generate 3D microstructural datasets of arbitrary size using a single 2D input slice as training data. In this paper, we present the results from applying SliceGAN to 87 different microstructures, ranging from biological materials to high-strength steels. To demonstrate the accuracy of the synthetic volumes created by SliceGAN, we compare three microstructural properties between the 2D training data and 3D generations, which show good agreement. This new microstructure library both provides valuable 3D microstructures that can be used in models, and also demonstrates the broad applicability of the SliceGAN algorithm.
• Abstract（参考訳）: 3dマイクロ構造データセットは、有限要素モデリングで使わ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。 これは、複雑な物質系が応用応力、温度、化学条件下でどのように振る舞うかを理解するのに有用なツールであることが証明されている。 しかし, 視野の制限, 解像度の低さ, 試料調製の困難さなど, 様々な理由により3次元画像化は困難である。 近年,1つの2次元入力スライスをトレーニングデータとして,任意の大きさの3次元微細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が開発された。 本稿では, 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述べる。 SliceGANが生成した合成体積の精度を示すために,2次元トレーニングデータと3次元世代間の3つの微細構造特性を比較し,良好な一致を示した。 この新しいマイクロ構造ライブラリはどちらもモデルで使用できる貴重な3Dマイクロ構造を提供しており、SliceGANアルゴリズムの適用性も広く示している。

関連論文リスト

• GeoLRM: Geometry-Aware Large Reconstruction Model for High-Quality 3D Gaussian Generation [65.33726478659304]
  GeoLRM(Geometry-Aware Large Restruction Model)は、512kガウスと21の入力画像で11GBのGPUメモリで高品質な資産を予測できる手法である。 従来の作品では、3D構造の本質的な空間性は無視されており、3D画像と2D画像の間の明示的な幾何学的関係は利用されていない。 GeoLRMは、3Dポイントを直接処理し、変形可能なクロスアテンション機構を使用する新しい3D対応トランスフォーマー構造を導入することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-06-21T17:49:31Z)
• A Generative Machine Learning Model for Material Microstructure 3D Reconstruction and Performance Evaluation [4.169915659794567]
  2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。 U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。 さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
  論文  参考訳（メタデータ） (2024-02-24T13:42:34Z)
• 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)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• 3D microstructural generation from 2D images of cement paste using generative adversarial networks [13.746290854403874]
  本稿では, 単一の2次元(2次元)画像から3次元構造を生成可能な, 逆ネットワークに基づく生成手法を提案する。 本手法では,2次元断面画像から微細構造情報を学習することにより,3次元画像を合成するフレームワークを設計する。 視覚観察により、生成した3D画像は、同様の細孔分布や粒子形態を含む2D画像と類似した微細構造を示すことが確認された。
  論文  参考訳（メタデータ） (2022-04-04T16:50:03Z)
• 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)
• Generating 3D structures from a 2D slice with GAN-based dimensionality expansion [0.0]
  GAN(Generative adversarial Network)は、3D画像データを生成するためのトレーニングが可能で、設計の最適化に役立ちます。 本稿では,1つの代表2次元画像を用いて高忠実度3次元データセットを合成できる生成逆ネットワークアーキテクチャであるSliceGANを紹介する。
  論文  参考訳（メタデータ） (2021-02-10T18:46:17Z)
• Generative VoxelNet: Learning Energy-Based Models for 3D Shape Synthesis and Analysis [143.22192229456306]
  本稿では,体積形状を表す3次元エネルギーモデルを提案する。 提案モデルの利点は6倍である。 実験により,提案モデルが高品質な3d形状パターンを生成できることが実証された。
  論文  参考訳（メタデータ） (2020-12-25T06:09:36Z)
• 3DMaterialGAN: Learning 3D Shape Representation from Latent Space for Materials Science Applications [7.449993399792031]
  3DMaterialGANは、モルフォロジーが与えられた3D多結晶材料の微細構造に適合する個々の粒を認識合成することができる。 提案手法は, ベンチマークアノテートした3次元データセット上で, 最先端の3次元データよりも比較可能か, あるいは優れていることを示す。 この枠組みは多結晶材料の認識と合成の基礎を築いた。
  論文  参考訳（メタデータ） (2020-07-27T21:55:16Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。