Die Wiedergabe von Farben und Erscheinungsbildern mit hoher Wiedergabetreue durch Multi-Material-Jetting-Vollfarb-3D-Druck findet zunehmend Anwendung, darunter die Konservierung von Kunst- und Kulturartefakten, Produktprototypen, Figuren von Spielfiguren, Stop-Motion-Animationsfilme und 3D-gedruckte Prothesen wie z Zahnrestaurationen oder Augenprothesen.

Um eine qualitativ hochwertige Reproduktion des Erscheinungsbilds durch vollfarbigen 3D-Druck zu erreichen, ist ein genaues optisches Druckermodell eine Voraussetzung, das eine Vorhersagefunktion aus einer Anordnung oder einem Verhältnis von Druckmaterialien zu den optischen/visuellen Eigenschaften (z. B. spektraler Reflexionsgrad) darstellt , Farbe und Lichtdurchlässigkeit) des resultierenden Drucks. Für den 3D-Druck mit Erscheinungsbild muss das Modell invertiert werden, um die Druckmaterialanordnung zu bestimmen, die bestimmte optische/visuelle Eigenschaften wie Farbe reproduziert. Daher spielt die Genauigkeit optischer Druckermodelle eine entscheidende Rolle Entscheidende Rolle für die endgültige Druckqualität. Der Prozess der Anpassung der Parameter eines optischen Druckermodells für ein Drucksystem wird als optische Charakterisierung bezeichnet und erfordert Testdrucke und optische Messungen. Das Ziel der Entwicklung eines Druckermodells besteht darin, die Vorhersageleistung zu maximieren B. Genauigkeit, bei gleichzeitiger Minimierung des Aufwands für die optische Charakterisierung, einschließlich Drucken, Nachbearbeitung und Messen.

In dieser Arbeit möchte ich Deep Learning nutzen, um ganzheitlich leistungsstarke optische Druckermodelle im Hinblick auf drei verschiedene Leistungsaspekte optischer Druckermodelle zu erstellen: 1) Genauigkeit, 2) Robustheit und 3) Dateneffizienz.

Erstens schlagen wir für die Modellgenauigkeit zwei auf Deep Learning basierende Druckermodelle vor, die beide hohe Genauigkeiten mit nur einer moderaten Anzahl erforderlicher Trainingsbeispiele erreichen. Experimente zeigen, dass beide Modelle das traditionelle zelluläre Neugebauer-Modell bei weitem übertreffen: bis zu sechsmal höhere Genauigkeit oder bis zu zehnmal weniger Daten für eine ähnliche Genauigkeit. Die hohe Genauigkeit könnte farb- und transluzenzkritische Anwendungen des 3D-Drucks wie Zahnrestaurationen oder Augenprothesen verbessern oder sogar ermöglichen.

Zweitens schlagen wir für die Modellrobustheit eine Methodik vor, um physikalisch plausible Einschränkungen und Glätte in Deep-Learning-basierte optische Druckermodelle zu induzieren. Experimente zeigen, dass das Modell nicht nur unplausible Zusammenhänge zwischen Materialanordnung und den resultierenden optischen/visuellen Eigenschaften fast immer korrigiert, sondern auch deutlich glattere Vorhersagen gewährleistet. Die Verbesserungen der Robustheit und Glätte sind wichtig, um inakzeptable Streifenartefakte auf Texturen der endgültigen Ausdrucke zu mildern oder zu vermeiden, insbesondere für Anwendungen, bei denen Texturdetails erhalten bleiben müssen, wie zum Beispiel für die Reproduktion von Augenprothesen, deren Textur mit dem begleitenden (gesunden) Auge übereinstimmen muss.

Schließlich schlagen wir für die Dateneffizienz ein Lernframework vor, das die Dateneffizienz von Druckermodellen erheblich verbessert, indem es vorhandene Charakterisierungsdaten von anderen Druckern verwendet. Wir schlagen außerdem einen kontrastiven, lernbasierten Ansatz vor, um die Einbettung von Datensätzen zu erlernen sind zusätzliche Eingaben, die für den oben genannten Lernrahmen erforderlich sind. Experimente zeigen, dass das Lernrahmenwerk die Anzahl der erforderlichen Proben zum Erreichen einer anwendungsspezifischen Vorhersagegenauigkeit drastisch reduzieren kann. Bei einigen Druckern sind nur 10% der Proben erforderlich, um eine ähnliche Genauigkeit wie beim Stand der Technik zu erreichen Modell. Die deutliche Verbesserung der Dateneffizienz macht es wirtschaftlich möglich, 3D-Drucker häufig zu charakterisieren, um im Laufe der Zeit eine konsistentere Ausgabe über verschiedene Drucker hinweg zu erzielen, was für eine farb- und transluzenzkritische individualisierte Massenproduktion von entscheidender Bedeutung ist.

Mit diesen vorgeschlagenen Deep-Learning-basierten Methoden, die die drei Leistungsaspekte (d. h. Genauigkeit, Robustheit und Dateneffizienz) deutlich verbessern, kann ein ganzheitlich leistungsfähiges optisches Druckermodell erreicht werden, was besonders wichtig für farb- und transluzenzkritische Drucker ist Anwendungen wie Zahnrestaurationen oder Augenprothesen.