优化生成对抗网络,以提高3D细分岩石断层扫描的高效分辨率

科学领域:

• 地质科学是地球科学.
• 计算成像技术的成像
• 机器学习 机器学习

背景情况:

• 3D微型计算机断层扫描 (micro-CT) 对于岩石分析至关重要,但由于X射线衰减,其分辨率和细分精度受到限制.
• 在3D深度学习中,高内存消耗阻碍了在体积数据中实现高超分辨率 (SR).
• 精确的矿物分化和孔隙表征对于数字岩石物理 (DRP) 模拟至关重要.

研究的目的:

• 通过机器学习 (ML) 生成模型,介绍一种高效的内存算法,用于增强细分的3D微CT岩石图像.
• 显著提高图像分辨率和纠正微型CT数据中的细分不准确性.
• 在3D深度学习中克服记忆瓶,以实现高分辨率的体积重建.

主要方法:

• 实现了一个基于3D授权的逐步增长的深度卷积的瓦斯斯坦生成对抗网络与梯度惩罚 (3D OB PG DC WGAN-GP).
• 通过Minkowski引擎库,利用了基于Octree的3D卷积层来解决高内存消耗的问题.
• 使用细分的3D低分辨率 (LR) 微型CT图像和未配对的2D高分辨率 (HR) 激光扫描显微镜 (LSM) 图像训练模型.

主要成果:

• 实现了16倍的图像分辨率提高,从7μm/voxel提高到0.44μm/voxel.
• 成功纠正由重叠的X射线衰减引起的细分不准确性,从而实现精确的矿物分化.
• 产生了高质量的细分3DSR图像,显示了比利亚沙岩上孔隙特征的显著改善.

结论:

• 提出的高效内存算法显著提高了细分的3D微CT岩石图像的质量和分辨率.
• 在3D深度学习中,Octree结构有效地克服了内存限制,实现了前所未有的16×超分辨率.
• 该框架为高分辨率的3D地质科学成像提供了强大的解决方案,推进了DRP模拟和矿物分析.