.png){kind=icon}
返回
Physics-informed constrained bubble generative adversarial network for realistic bubble image generation
.png){kind=icon}
PRE
AI
DOI：10.1002/aic.70467.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度生成模型为训练和评估气泡图像识别软件提供了一种高效的数据集扩展方法。然而，现有方法生成的气泡缺乏物理真实性，因为它们常忽略了气泡尺寸与形态之间的关键关系。为弥补这一差距，我们提出了一种受已知尺寸-形态关系约束的气泡生成对抗网络，该网络基于图像识别和形态分类的最新进展。该模型基于从气泡柱中获取的12,147张在线采集的气泡图像进行训练，将气泡尺寸作为条件输入，并利用深度卷积架构以确保训练稳定性和高保真纹理再现。生成的气泡在形态可信度和多样性方面均表现出色，Fréchet inception distance（FID）为44.51，尺寸可控性准确率为94.5%。本研究建立了一个生成物理一致性气泡图像的稳健框架，从而为先进水动力学分析和工业图像处理算法提供了宝贵的数据支持。
Keyword:
bubble morphology
bubble size
generative adversarial networks
image generation
physics-informed constrained
期刊
IF:
4
论文数:
1.1W
被引数:
2.9W
机构
引用论文
Bubble detection in photoresist with small samples based on GAN augmentations and modified YOLO
PREAI
分享收藏
Towards synthesizing physiologically accurate EEG signals with generative adversarial networks: an exploration of hyperparameter impact on sine samples generation利用生成对抗网络合成生理学上准确的EEG信号：对正弦样本生成中超参数影响的探索.png)
IF0
PREAI
分享收藏分享收藏Enhanced phenol hydrogenation for cyclohexanone production by membrane dispersion膜分散强化苯酚加氢生产环己酮
PREAI
分享收藏分享收藏
查看更多内容