基于深度学习与生成扩散模型的激光粉末床熔融逐层原位监测光学图像超分辨率
图像与视频处理
2024-09-23 v1 计算机视觉与模式识别
机器学习
摘要
激光粉末床熔融（L-PBF）过程中缺陷的随机生成对其在高精度应用场景中的采用产生了负面影响。光学监测技术可用于基于逐层成像来识别缺陷，但由于成本和内存限制，这些方法难以扩展至高分辨率。因此，我们实现了生成式深度学习模型，将低成本低分辨率的成型基板图像与高分辨率详细的光学图像相关联，从而实现高性价比的工艺监测。为此，我们训练了一个条件隐概率扩散模型，以从低分辨率的网络摄像头图像生成逼真的高分辨率成型基板图像，恢复小尺度特征和表面粗糙度的分布。我们首先通过使用峰值信噪比（PSNR）、结构相似性指数测度（SSIM）以及描述高频信息保留程度的小波协方差指标来分析生成图像的重建质量，从而评估模型的性能。此外，我们设计了一个基于 Segment Anything 基础模型的框架，以重建打印部件的三维形态，并分析重建样本的表面粗糙度。最后，我们通过创建合成的低分辨率数据，探索了所实现的框架对其他部件几何形状的零样本泛化能力。
引用
@article{arxiv.2409.13171,
title = {Deep Learning based Optical Image Super-Resolution via Generative Diffusion Models for Layerwise in-situ LPBF Monitoring},
author = {Francis Ogoke and Sumesh Kalambettu Suresh and Jesse Adamczyk and Dan Bolintineanu and Anthony Garland and Michael Heiden and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2409.13171},
year = {2024}
}