基于深度卷积生成对抗网络的两种微结构修复方法
计算机视觉与模式识别
2022-10-14 v1 图像与视频处理
摘要
成像对材料表征至关重要。然而，即便经过细致的样品制备与显微镜校准，成像技术仍常易出现缺陷与不需要的伪影。对于将显微图像用于模拟或特征分析的应用而言，这一问题尤为突出，因为缺陷可能导致不准确的结果。微结构修复（microstructural inpainting）是一种通过用边界匹配的合成微结构替换被遮挡区域来缓解该问题的方法。本文提出两种利用生成对抗网络（GAN）的方法，通过从未被遮挡的数据中学习微结构分布，生成任意形状与尺寸的连续修复区域。我们发现其中一种方法具有高速与简便的优势，而另一种在修复边界处给出更平滑的边界。我们还概述了一个图形用户界面的开发，使用户能在“无代码”环境中使用这些机器学习方法。
引用
@article{arxiv.2210.06997,
title = {Two approaches to inpainting microstructure with deep convolutional generative adversarial networks},
author = {Isaac Squires and Samuel J. Cooper and Amir Dahari and Steve Kench},
journal= {arXiv preprint arXiv:2210.06997},
year = {2022}
}
备注
16 pages, 11 figures