Two approaches to inpainting microstructure with deep convolutional generative adversarial networks

要約

イメージングは​​、材料の特性評価に不可欠です。
ただし、慎重なサンプル準備と顕微鏡のキャリブレーションを行っても、イメージング技術はしばしば欠陥や不要なアーティファクトが発生しやすくなります。
これは、欠陥が不正確な結果につながる可能性があるため、顕微鏡写真をシミュレーションまたは機能分析に使用するアプリケーションでは特に問題となります。
微細構造修復は、閉塞領域を一致する境界を持つ合成微細構造に置き換えることによって、この問題を軽減する方法です。
この論文では、敵対的生成ネットワークを使用して、閉塞されていないデータから微細構造分布を学習することにより、任意の形状とサイズの連続した塗りつぶされた領域を生成する 2 つの方法を紹介します。
一方は高速でシンプルなため、もう一方は修復境界でより滑らかな境界を与えることがわかりました。
また、ユーザーが「コードなし」環境でこれらの機械学習方法を利用できるようにするグラフィカル ユーザー インターフェイスの開発についても概説します。

要約(オリジナル)

Imaging is critical to the characterisation of materials. However, even with careful sample preparation and microscope calibration, imaging techniques are often prone to defects and unwanted artefacts. This is particularly problematic for applications where the micrograph is to be used for simulation or feature analysis, as defects are likely to lead to inaccurate results. Microstructural inpainting is a method to alleviate this problem by replacing occluded regions with synthetic microstructure with matching boundaries. In this paper we introduce two methods that use generative adversarial networks to generate contiguous inpainted regions of arbitrary shape and size by learning the microstructural distribution from the unoccluded data. We find that one benefits from high speed and simplicity, whilst the other gives smoother boundaries at the inpainting border. We also outline the development of a graphical user interface that allows users to utilise these machine learning methods in a ‘no-code’ environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google