論文の概要: Using convolutional neural networks for stereological characterization
of 3D hetero-aggregates based on synthetic STEM data
- arxiv url: http://arxiv.org/abs/2310.18523v1
- Date: Fri, 27 Oct 2023 22:49:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 18:07:57.785798
- Title: Using convolutional neural networks for stereological characterization
of 3D hetero-aggregates based on synthetic STEM data
- Title(参考訳): 畳み込みニューラルネットワークを用いた合成STEMデータに基づく3次元ヘテロアグリゲートの立体的評価
- Authors: Lukas Fuchs, Tom Kirstein, Christoph Mahr, Orkun Furat, Valentin
Baric, Andreas Rosenauer, Lutz Maedler, Volker Schmidt
- Abstract要約: パラメトリックな3Dモデルが提示され、そこから多数の仮想ヘテロアグリゲートが生成される。
仮想構造は、仮想走査透過電子顕微鏡(STEM)画像を生成するために物理シミュレーションツールに渡される。
畳み込みニューラルネットワークは、2次元STEM画像からヘテロアグリゲートの3次元構造を予測するために訓練される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The structural characterization of hetero-aggregates in 3D is of great
interest, e.g., for deriving process-structure or structure-property
relationships. However, since 3D imaging techniques are often difficult to
perform as well as time and cost intensive, a characterization of
hetero-aggregates based on 2D image data is desirable, but often non-trivial.
To overcome the issues of characterizing 3D structures from 2D measurements, a
method is presented that relies on machine learning combined with methods of
spatial stochastic modeling, where the latter are utilized for the generation
of synthetic training data. This kind of training data has the advantage that
time-consuming experiments for the synthesis of differently structured
materials followed by their 3D imaging can be avoided. More precisely, a
parametric stochastic 3D model is presented, from which a wide spectrum of
virtual hetero-aggregates can be generated. Additionally, the virtual
structures are passed to a physics-based simulation tool in order to generate
virtual scanning transmission electron microscopy (STEM) images. The preset
parameters of the 3D model together with the simulated STEM images serve as a
database for the training of convolutional neural networks, which can be used
to determine the parameters of the underlying 3D model and, consequently, to
predict 3D structures of hetero-aggregates from 2D STEM images. Furthermore, an
error analysis is performed to evaluate the prediction power of the trained
neural networks with respect to structural descriptors, e.g. the
hetero-coordination number.
- Abstract(参考訳): 3Dにおけるヘテロアグリゲートの構造的特徴は、例えばプロセス構造や構造-プロパティ関係の導出に非常に興味がある。
しかし、3Dイメージング技術は時間とコストを重んじるだけでなく、実行が難しいことが多いため、2D画像データに基づくヘテロアグリゲートの特性は望ましいが、しばしば非自明である。
2次元計測から3次元構造を特徴づける問題を克服するために,機械学習と空間確率モデリングの手法を組み合わせて,後者を合成学習データの生成に利用する手法を提案する。
このようなトレーニングデータには、異なる構造化材料を合成するための時間を要する実験と、その3dイメージングを回避できるという利点がある。
より正確には、パラメトリック確率的3Dモデルを示し、そこから様々な仮想ヘテロアグリゲートを生成できる。
さらに、仮想構造を物理シミュレーションツールに渡して、仮想走査透過電子顕微鏡(STEM)画像を生成する。
シミュレーションSTEM画像とともに3Dモデルのプリセットパラメータは、畳み込みニューラルネットワークのトレーニングのためのデータベースとして機能し、基礎となる3Dモデルのパラメータを決定でき、2D STEM画像からヘテロアグリゲートの3D構造を予測することができる。
さらに、トレーニングされたニューラルネットワークの構造記述子(例えばヘテロ座標数)に対する予測力を評価するためにエラー解析を行う。
関連論文リスト
- 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) - Neural Textured Deformable Meshes for Robust Analysis-by-Synthesis [17.920305227880245]
本稿では, 近似解析を用いた三重視覚タスクを一貫した方法で定式化する。
実世界の画像で評価すると、従来のニューラルネットワークよりも、我々の分析バイシンセシスの方がはるかに堅牢であることが示される。
論文 参考訳(メタデータ) (2023-05-31T18:45:02Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳(メタデータ) (2023-03-22T18:59:48Z) - RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。
表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
論文 参考訳(メタデータ) (2022-05-14T05:35:35Z) - 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) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳(メタデータ) (2021-08-30T19:45:07Z) - 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) - 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) - 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) - 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。