通过一种新的算法生成合成砂，对比实际收集的砂样数据，基于点云自编码器，通过降噪扩散算法能够生成形态、大小与训练数据一致的现实砂颗粒；确保第三方验证的前提下，附带 50,000 个合成石英砂颗粒、1,542 个同步辐射微计算机断层扫描 (F50 砂)，以及由合成石英砂颗粒组成的颗粒装置在开源仓库中公开。

Jun, 2023

采用傅里叶模式的方法从电子显微镜扫描的添加制造表面中推断和合成粗糙度场，使得合成的粗糙度场光滑并且与计算流体动力学中的网格生成器或其他数值模拟相兼容。与机器学习方法不同，傅里叶模式的方法只需要一次物理粗糙度扫描即可将均匀的合成粗糙度场外推到任意所需大小和范围。从文献中使用电子显微镜粗糙度图像生成了五种类型的合成粗糙度场，它们的频谱能量和双点相关谱的比较表明合成场与扫描的粗糙度结构和频谱能量非常接近。

Oct, 2023

针对钢表面缺陷图像生成的数据不足问题，提出了一种稳定的钢表面缺陷图像生成方法，通过在生成过程中对数据分布进行参数调整和采用钢表面图像导向的生成方法，以解决钢表面图像与生成图像的分布差异问题，并在钢表面缺陷数据集上展示了出色的样本生成和识别模型训练性能。

May, 2024

通过比较几种数据驱动的方法和闭式形式转化，我们评估了机器学习模型在提高钢带制造中表面质量控制的潜力，并利用最先进的机器学习模型改善了在线测量的表面粗糙度指标。

Jul, 2023

本文使用卷积神经网络（CNN）对真实数据和合成数据组合进行了训练，提高了晶界分割的准确性，为粉末冶金过程中的晶界分析提供了新的方法。

Jul, 2023

使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

May, 2023

当前，大多数表面质量预测方法只能进行单任务预测，导致数据集被低效利用、重复工作和实验成本增加。为了解决这个问题，作者提出了一种贝叶斯层次模型来预测车削加工过程中的表面粗糙度测量值。该层次模型与多个独立的贝叶斯线性回归模型进行对比，以展示部分汇集在加工环境中对预测精度和不确定性量化的好处。

Oct, 2023

本研究提出了一种新的框架，用于学习几何纹理统计知识以生成具备放射性的深层特征，使得可以实现在不同层次上的网格顶点位移及纹理转移。

Jun, 2020

机器学习在物体检测和机器抓取的 6D 姿态估计方面取得了巨大进展，然而，由于视觉线索较少和卷积神经网络对纹理的偏好，无纹理和金属物体仍然带来了显著挑战。为了解决这个问题，我们提出了一种注重学习 CAD 模型并强调物体形状特征的无纹理方法。通过在训练数据渲染过程中对纹理进行随机化处理，以使焦点集中在学习物体形状特征上，消除了在生成训练数据时对真实物体实例或最终外观的需求。我们使用了专门为工业机器人设置并特色为无纹理和金属物体的 TLESS 和 ITODD 数据集进行评估。无纹理性还增强了对图像扰动（如成像噪声、运动模糊和亮度变化）的稳健性，这在机器人应用中很常见。代码和数据集公开在 github.com/hoenigpeter/randomized_texturing。

Feb, 2024

本文采用一种新方法，通过给定文本提示和 3D 网格来生成 3D 模型的纹理。该方法考虑了额外的深度信息，利用深度条件稳定扩散的评分蒸馏采样过程生成纹理。我们在开源数据集 Objaverse 上运行了模型，并进行了用户研究，与各种 3D 纹理方法的结果进行了比较。我们证明了我们的模型可以生成更令人满意的结果，并为同一对象产生各种艺术风格。此外，在生成可比质量的纹理时，我们取得了更快的时间。我们还进行了彻底的消融研究，研究了不同因素对生成质量的影响，包括采样步骤、引导尺度、负提示、数据增强、高度范围和替代 SDS 方法。

Nov, 2023