MicroLad：基于潜在扩散与评分蒸馏的二维到三维微结构重建与生成
材料科学
2025-11-14 v4 机器学习
摘要
建立可靠的结构-性能（SP）关联是材料工程中的一个重要挑战，主要源于稀缺的多样化三维微结构数据集。数据可获得性有限以及对分析和设计空间的控制不足，限制了可实现的微结构形貌多样性，阻碍了解决逆向（性能导向）设计问题的进展。为此，我们引入MicroLad，一个专为从二维数据重建三维微结构而设计的潜在扩散框架。在二维图像上训练并采用多平面去噪扩散采样于潜在空间中，该框架可可靠地生成稳定且连贯的三维体积，保持与原始数据统计一致性。虽然这种重建能力使从二维数据生成统计等效三维样本的二维到三维维数扩展成为可能，但有效探索微结构设计仍需方法引导生成过程以满足特定目标。为实现此目标，MicroLad集成了评分蒸馏采样（SDS），该方法将可微分评分损失与微结构描述符匹配及属性对齐项相结合。该方法更新潜在空间中编码的二维切片，实现了对二维到三维微结构的鲁棒逆向控制生成。因此，该方法促进了在微结构描述符和材料属性两个维度上，对扩展的三维微结构分析和设计空间的探索。
引用
@article{arxiv.2508.20138,
title = {MicroLad: 2D-to-3D Microstructure Reconstruction and Generation via Latent Diffusion and Score Distillation},
author = {Kang-Hyun Lee and Faez Ahmed},
journal= {arXiv preprint arXiv:2508.20138},
year = {2025}
}