[論文レビュー] Generating 3D structures from a 2D slice with GAN-based dimensionality expansion

Steve Kench, Samuel J. Cooper|arXiv (Cornell University)|Feb 10, 2021

Image Processing and 3D Reconstruction参考文献 21被引用数 9

ひとこと要約

本稿では、生成器全体に均一な情報密度を強制することで、1枚の2次元マイクログラフから高精細な3Dマイクロ構造を生成するGANベースのアーキテクチャ、SliceGANを提案する。本手法は、特に有効拡散率のような顕在的特性において、実際の3Dデータセットと最先端の統計的類似性を達成しており、10⁸ボクセルの3Dボリュームを数秒で生成可能であるため、高スルーレットなマイクロ構造最適化が可能となる。

ABSTRACT

Generative adversarial networks (GANs) can be trained to generate 3D image data, which is useful for design optimisation. However, this conventionally requires 3D training data, which is challenging to obtain. 2D imaging techniques tend to be faster, higher resolution, better at phase identification and more widely available. Here, we introduce a generative adversarial network architecture, SliceGAN, which is able to synthesise high fidelity 3D datasets using a single representative 2D image. This is especially relevant for the task of material microstructure generation, as a cross-sectional micrograph can contain sufficient information to statistically reconstruct 3D samples. Our architecture implements the concept of uniform information density, which both ensures that generated volumes are equally high quality at all points in space, and that arbitrarily large volumes can be generated. SliceGAN has been successfully trained on a diverse set of materials, demonstrating the widespread applicability of this tool. The quality of generated micrographs is shown through a statistical comparison of synthetic and real datasets of a battery electrode in terms of key microstructural metrics. Finally, we find that the generation time for a $10^8$ voxel volume is on the order of a few seconds, yielding a path for future studies into high-throughput microstructural optimisation.

研究の動機と目的

• 2Dマイクログラフの数が限られている状況において、3Dデータよりもアクセスが容易で高解像度な2Dデータから3Dマイクロ構造を生成する課題に対処すること。
• 3D生成器と2Dトレーニングデータの不適合性を解消するため、新規なGANアーキテクチャを設計すること。
• 生成された3Dボリューム全体の空間的領域において一様な画像品質を保証し、エッジ部での品質劣化を回避すること。
• 大規模な3Dボリュームの生成時間を著しく短縮することで、高スルーレットなマイクロ構造最適化を可能にすること。
• 実材料（例：電池電極）を用いて、主なマイクロ構造的指標の統計的比較により、手法の妥当性を検証すること。

提案手法

• SliceGANは、1枚の2Dマイクログラフを入力として3Dボリュームを合成する条件付きGANフレームワークを採用する。
• 生成器は、均一な情報密度を維持し、エッジアーチファクトを防ぐために、パラメータが厳密に制約された逆畳み込み層を採用する。
• 識別器ネットワークは、生成された3Dマイクロ構造が実際の3Dマイクロ構造と区別可能かどうかを評価する。
• 本アーキテクチャは、等方的および異方的マイクロ構造の生成をサポートしており、異方的ケースへの簡単な拡張が可能である。
• トレーニングは、3Dデータセットの2Dスライスを用いて実施され、最小限の入力からボリューム統計を学習可能である。
• 本手法は、界面構造の生成に境界付きランダムウォークアルゴリズムを活用し、合成データに対する性能評価も実施している。

実験結果

リサーチクエスチョン

• RQ1 1枚の2Dマイクログラフから、ボリューム全体にわたり一様な品質を維持した高精細な3Dマイクロ構造をGANベースのモデルが生成可能か？
• RQ2 GAN生成器における非一様な情報密度をどのように緩和すれば、空間的境界部での品質劣化を防げるか？
• RQ3 2Dから3DへのGANモデルは、有効拡散率のような重要な顕在的マイクロ構造的特性をどの程度正確に再現可能か？
• RQ4 結晶性、高分子、および電池電極マイクロ構造を含む多様な材料タイプに、本モデルは一般化可能か？
• RQ5 SliceGANの生成速度は、従来の3Dデータ生成手法と比較してどの程度速く、高スルーレットなシミュレーション研究を可能にするか？

主な発見

• SliceGANは、合成、高分子、および電池電極マイクロ構造を含む多様な材料において、実際のトレーニングデータと視覚的に区別がつかないクロスセクションを生成した。
• 二点相関関数や三相境界密度といった主なマイクロ構造的指標が、実データセットと統計的に一致する範囲で再現された。
• 2Dスライスからは測定できない顕在的3D特性、有効拡散率が高精度で再現された。これは、モデルがボリューム全体の挙動を的確に捉えていることを示している。
• 10⁸ボクセルの3Dボリュームの生成に数秒しかかからず、マイクロ構造的デザインスペースの高スルーレットな探索が可能となった。
• 均一な情報密度制約のおかげで、空間的領域全体にわたり一貫した画像品質が維持され、従来のGANで一般的なエッジアーチファクトが解消された。
• オープンアクセスの3Dトモグラフィー・データ（例：NMC正極）を用いた検証により、複数の指標において合成ボリュームと実ボリュームの統計的類似性が強く示された。