DF-ACBlurGAN：面向生物材料微结构设计的内部重复模式结构感知条件生成
计算机视觉与模式识别
2026-04-01 v1 人工智能
机器学习
摘要
学习生成具有内部重复和周期性结构的图像，对机器学习和计算机视觉模型构成根本性挑战，因为这些模型通常针对局部纹理统计和语义真实性进行优化，而非全局结构一致性。在需要严格控制重复尺度、间距和边界一致性的应用中，这一限制尤为突出，例如生物材料表面微结构。本文以生物材料设计为用例，研究在弱监督和类别不平衡条件下进行重复模式的条件生成。我们提出 DF-ACBlurGAN，一种结构感知条件生成对抗网络，显式地在训练期间推理长程重复。该方法集成了频域重复尺度估计、尺度自适应高斯模糊和单元细胞重构，以平衡锐利的局部特征与稳定的全局周期性。基于实验得出的生物学响应标签进行条件控制，模型合成的设计与目标功能结果相吻合。跨多个生物材料数据集的评估表明，DF-ACBlurGAN 在重复一致性和可控结构变异方面优于传统生成方法。
引用
@article{arxiv.2603.28776,
title = {DF-ACBlurGAN: Structure-Aware Conditional Generation of Internally Repeated Patterns for Biomaterial Microtopography Design},
author = {Rongjun Dong and Xin Chen and Morgan R Alexander and Karthikeyan Sivakumar and Reza Omdivar and David A Winkler and Grazziela Figueredo},
journal= {arXiv preprint arXiv:2603.28776},
year = {2026}
}