基于生成对抗网络融合互补的二维与三维介观结构数据集
计算机视觉与模式识别
2024-08-07 v3 机器学习
摘要
对材料介观结构在器件层面性能的影响进行建模，通常需要获取包含定义仿真域几何所需全部相关信息的三维图像数据。该图像数据必须在各相之间具有足够对比度以区分每种材料，具有足够高的分辨率以捕捉关键细节，同时还须具有足够大的视场以总体上代表该材料。单一成像技术很少能获取兼具所有这些性质的数据。本文提出一种方法，用于结合来自成对且互补的不同成像技术的信息，以准确重建所需的多相、高分辨率、具代表性的三维图像。具体而言，我们使用深度卷积生成对抗网络来实现超分辨率、风格迁移和维度扩展。为证明该工具的广泛适用性，我们使用两对数据集来验证通过融合成对成像技术信息所生成体积的质量。在每种情况下计算三个关键介观结构度量以展示该方法的准确性。在确信本方法准确性的基础上，我们将其应用于锂离子电池电极的真实数据对以展示其威力，而文献中尚无处可获得所需的三维高分辨率图像数据。我们认为，相较于先前报道的统计材料重建方法，该方法在保真度和易用性方面均更优。此外，训练该算法所需的大量数据已存在于文献中，正待被组合。因此，我们的开源代码可通过生成难以获取的高质量图像体积（用于在中尺度模拟行为所必需者）而促成阶跃性变化。
引用
@article{arxiv.2110.11281,
title = {Fusion of complementary 2D and 3D mesostructural datasets using generative adversarial networks},
author = {Amir Dahari and Steve Kench and Isaac Squires and Samuel J. Cooper},
journal= {arXiv preprint arXiv:2110.11281},
year = {2024}
}