利用条件生成对抗网络从极有限信息中准确快速重建多孔介质
图像与视频处理
2019-09-25 v1 计算工程、金融与科学
计算机视觉与模式识别
数据分析、统计与概率
摘要
多孔介质在自然界和工程应用中无处不在，因此对其建模和理解至关重要。与直接获取此类介质的三维（3D）图像相比，获取其子区域（如二维（2D）图像或若干小区域）要可行得多。因此，从有限信息重建完整图像是此类情况下的一种主要技术。特别地，在实践中给定数据通常不能由用户确定，且可能不完整或部分已知，从而导致现有重建方法不准确甚至失效。为克服这一缺陷，本研究提出了一种基于深度学习的框架，用于从其小得多的子区域重建完整图像。具体而言，利用条件生成对抗网络（CGAN）来学习输入（部分图像）与输出（完整图像）之间的映射。为保持重建精度，提出了两个简单但有效的目标函数，并将其与另外两个函数耦合以共同约束训练过程。由于该病态问题的固有本质，引入高斯噪声以产生重建多样性，从而可提供多个候选输出。在多种多孔材料上的广泛测试以及通过视觉检查和定量比较的证明表明，该方法准确、稳定且快速（对 图像重建约 ）。我们强调，所提方法易于扩展，例如可将任何用户定义的条件数据和任意数量的目标函数纳入重建，并与其他重建方法耦合。
引用
@article{arxiv.1905.02135,
title = {Accurate and Fast reconstruction of Porous Media from Extremely Limited Information Using Conditional Generative Adversarial Network},
author = {Junxi Feng and Xiaohai He and Qizhi Teng and Chao Ren and Honggang Chen and Yang Li},
journal= {arXiv preprint arXiv:1905.02135},
year = {2019}
}