利用空间组装生成对抗神经网络快速可扩展地合成地球纹理
计算机视觉与模式识别
2021-09-15 v1 机器学习
图像与视频处理
流体动力学
摘要
具有复杂形态几何与组分（如页岩和碳酸盐岩）的地球纹理，通常因表征过程昂贵且耗时而以稀疏野外样本为特征。因此，以低计算成本生成具有相似拓扑结构、任意大尺寸的地质纹理，已成为逼真地质材料重建的关键任务之一。近来，生成对抗神经网络（GANs）已展现出合成输入纹理图像并创建等概率地质材料图像的潜力。然而，GANs 框架下的纹理合成常受限于计算成本与输出纹理大小的可扩展性。本研究中，我们提出了一种空间组装 GANs（SAGANs），其能以计算效率生成任意大尺寸的输出图像，而不受训练图像大小限制。SAGANs 的性能通过地球纹理地质统计重建中广泛使用的二维与三维（2D 和 3D）岩石图像样本进行了评估。我们证明 SAGANs 可生成与训练图像连通性与结构性质相似的任意大尺寸统计实现，且即便在单张训练图像上也能生成多种实现。此外，与标准 GANs 框架相比计算时间显著改善。
引用
@article{arxiv.2011.06776,
title = {Fast and Scalable Earth Texture Synthesis using Spatially Assembled Generative Adversarial Neural Networks},
author = {Sung Eun Kim and Hongkyu Yoon and Jonghyun Lee},
journal= {arXiv preprint arXiv:2011.06776},
year = {2021}
}
备注
17 pages, 11 figures, 2 tables, and a table in Appendix