3DMaterialGAN：从潜空间学习三维形状表示以用于材料科学应用
计算机视觉与模式识别
2020-07-29 v1 机器学习
图像与视频处理
摘要
在计算机视觉领域，用于2D物体生成的无监督学习在过去几年中迅速进展。然而，3D物体生成并未获得与其前身同等的关注或成功。为促进计算机视觉与材料科学交叉处的新进展，我们提出一个3DMaterialGAN网络，能够识别并合成形态符合给定3D多晶材料微观结构的独立晶粒。该生成对抗网络（GAN）架构从概率潜空间向量生成复杂3D物体，无需来自2D渲染图像的额外信息。我们表明，该方法在基准标注3D数据集上性能与最先进方法相当或更优，同时也能够区分并生成不易标注的物体，如晶粒形态。我们算法的价值通过实验真实数据的分析得以展示，即生成在商业相关的变形钛合金中发现的3D晶粒结构，并通过统计形状比较进行验证。该框架为识别和合成用于增材制造、航空航天与结构设计应用的多晶材料微观结构奠定了基础。
引用
@article{arxiv.2007.13887,
title = {3DMaterialGAN: Learning 3D Shape Representation from Latent Space for Materials Science Applications},
author = {Devendra K. Jangid and Neal R. Brodnik and Amil Khan and McLean P. Echlin and Tresa M. Pollock and Sam Daly and B. S. Manjunath},
journal= {arXiv preprint arXiv:2007.13887},
year = {2020}
}