論文の概要: Evaluating Synthetic Images as Effective Substitutes for Experimental Data in Surface Roughness Classification

• arxiv url: http://arxiv.org/abs/2603.25765v1
• Date: Thu, 26 Mar 2026 06:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.196355
• Title: Evaluating Synthetic Images as Effective Substitutes for Experimental Data in Surface Roughness Classification
• Title（参考訳）: 表面粗さ分類における実験データの有効代替物としての合成画像の評価
• Authors: Binwei Chen, Huachao Leng, Chi Yeung Mang, Tsz Wai Cheung, Yanhua Chen, Wai Keung Anthony Loh, Chi Ho Wong, Chak Yin Tang,
• Abstract要約: 生成画像を用いた真正データセットの増大は,実験画像のみを用いて得られたデータに匹敵する精度を示す。 以上の結果から,生成AIは材料画像分類におけるデータ効率と信頼性を大幅に向上させることができることが示唆された。
• 参考スコア（独自算出の注目度）: 1.697618076775192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hard coatings play a critical role in industry, with ceramic materials offering outstanding hardness and thermal stability for applications that demand superior mechanical performance. However, deploying artificial intelligence (AI) for surface roughness classification is often constrained by the need for large labeled datasets and costly high-resolution imaging equipment. In this study, we explore the use of synthetic images, generated with Stable Diffusion XL, as an efficient alternative or supplement to experimentally acquired data for classifying ceramic surface roughness. We show that augmenting authentic datasets with generative images yields test accuracies comparable to those obtained using exclusively experimental images, demonstrating that synthetic images effectively reproduce the structural features necessary for classification. We further assess method robustness by systematically varying key training hyperparameters (epoch count, batch size, and learning rate), and identify configurations that preserve performance while reducing data requirements. Our results indicate that generative AI can substantially improve data efficiency and reliability in materials-image classification workflows, offering a practical route to lower experimental cost, accelerate model development, and expand AI applicability in materials engineering.
• Abstract（参考訳）: 硬質コーティングは工業において重要な役割を担い、優れた機械的性能を必要とする用途に優れた硬さと熱安定性を提供するセラミックス材料である。 しかし、表面粗さ分類のための人工知能(AI)の展開は、大きなラベル付きデータセットや高価な高解像度撮像装置を必要とするため、しばしば制限される。 本研究では, セラミックス表面の粗さを分類する実験的なデータに対して, 安定拡散XLを用いて生成した合成画像の効率的な代替や補足としての利用について検討する。 合成画像は, 合成画像が, 分類に必要な構造的特徴を効果的に再現できることを実証し, 生成画像による真正データセットの増大は, 実験画像と同等の精度で得られることを示す。 さらに、鍵学習ハイパーパラメータ(時間数、バッチサイズ、学習率)を体系的に変更し、データ要求を減らしながら性能を保った構成を特定することにより、手法のロバスト性をさらに評価する。 以上の結果から,生成AIは材料画像分類ワークフローにおけるデータ効率と信頼性を大幅に向上させ,実験コストを低減し,モデル開発を加速し,材料工学におけるAIの適用性を高めるための実践的な経路を提供する。

関連論文リスト

• Contrastive Learning-Enhanced Trajectory Matching for Small-Scale Dataset Distillation [0.7560883489000576]
  画像合成におけるコントラスト学習を統合した新しいデータセット蒸留法を提案する。 提案手法は,データセットのサイズが著しく制約された場合でも,より情報的かつ多様な合成サンプルを生成する。
  論文  参考訳（メタデータ） (2025-05-21T08:46:29Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
  本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。 このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。 その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
  論文  参考訳（メタデータ） (2024-07-22T10:31:07Z)
• Visual Car Brand Classification by Implementing a Synthetic Image Dataset Creation Pipeline [3.524869467682149]
  安定拡散を用いた合成画像データセットの自動生成パイプラインを提案する。 YOLOv8を用いて自動境界ボックス検出と合成画像の品質評価を行う。
  論文  参考訳（メタデータ） (2024-06-03T07:44:08Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Intrinsic Image Diffusion for Indoor Single-view Material Estimation [55.276815106443976]
  室内シーンの外観分解のための生成モデルIntrinsic Image Diffusionを提案する。 1つの入力ビューから、アルベド、粗さ、および金属地図として表される複数の材料説明をサンプリングする。 提案手法は,PSNRで1.5dB$,アルベド予測で45%のFIDスコアを達成し,よりシャープで,より一貫性があり,より詳細な資料を生成する。
  論文  参考訳（メタデータ） (2023-12-19T15:56:19Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-25T00:20:37Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)

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。