Fusion of complementary 2D and 3D mesostructural datasets using generative adversarial networks

要約

デバイス レベルのパフォーマンスに対する材料のメソ構造の影響をモデル化するには、通常、シミュレーション ドメインのジオメトリを定義するためのすべての関連情報を含む 3D 画像データにアクセスする必要があります。
この画像データには、各物質を区別するのに十分なフェーズ間のコントラストが含まれている必要があります。重要な詳細をキャプチャするのに十分な解像度が必要ですが、一般的な物質を表すのに十分な視野も必要です。
単一のイメージング技術からこれらすべての特性を備えたデータを取得することはほとんど不可能です。
この論文では、目的のマルチフェーズ、高解像度、代表的な 3D 画像を正確に再構築するために、異なるが補完的なイメージング技術のペアからの情報を組み合わせる方法を提示します。
具体的には、深い畳み込み生成敵対ネットワークを使用して、超解像度、スタイル転送、および次元拡張を実装します。
このツールの広範な適用性を実証するために、2 組のデータセットを使用して、ペアのイメージング技術からの情報を融合することによって生成されるボリュームの品質を検証します。
この方法の精度を示すために、それぞれのケースで 3 つの主要なメソ構造指標が計算されます。
私たちの方法の精度に自信を持って、必要な3D高解像度画像データが文献のどこにもないリチウムイオン電池電極からの実際のデータペアに適用することにより、その力を実証します。
このアプローチは、その忠実度と使いやすさの両方の点で、以前に報告された統計資料の再構築方法よりも優れていると考えています。
さらに、このアルゴリズムのトレーニングに必要なデータの多くは既に文献に存在し、結合されるのを待っています。
そのため、私たちのオープンアクセス コードは、メソスケールでの動作をシミュレートするために必要な高品質の画像ボリュームを取得するのが難しいことによって、段階的な変化を引き起こす可能性があります。

要約(オリジナル)

Modelling the impact of a material’s mesostructure on device level performance typically requires access to 3D image data containing all the relevant information to define the geometry of the simulation domain. This image data must include sufficient contrast between phases to distinguish each material, be of high enough resolution to capture the key details, but also have a large enough field-of-view to be representative of the material in general. It is rarely possible to obtain data with all of these properties from a single imaging technique. In this paper, we present a method for combining information from pairs of distinct but complementary imaging techniques in order to accurately reconstruct the desired multi-phase, high resolution, representative, 3D images. Specifically, we use deep convolutional generative adversarial networks to implement super-resolution, style transfer and dimensionality expansion. To demonstrate the widespread applicability of this tool, two pairs of datasets are used to validate the quality of the volumes generated by fusing the information from paired imaging techniques. Three key mesostructural metrics are calculated in each case to show the accuracy of this method. Having confidence in the accuracy of our method, we then demonstrate its power by applying to a real data pair from a lithium ion battery electrode, where the required 3D high resolution image data is not available anywhere in the literature. We believe this approach is superior to previously reported statistical material reconstruction methods both in terms of its fidelity and ease of use. Furthermore, much of the data required to train this algorithm already exists in the literature, waiting to be combined. As such, our open-access code could precipitate a step change by generating the hard to obtain high quality image volumes necessary to simulate behaviour at the mesoscale.

arxiv情報

著者 Amir Dahari,Steve Kench,Isaac Squires,Samuel J. Cooper
発行日 2022-09-30 14:47:45+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク