Enhancement and assessment of large vision models for 3D particle reconstruction from X-ray tomography
Notice bibliographique
Résumé
Three-dimensional (3D) particle reconstruction from X-ray micro-computed tomography (µCT) images is essential for digital twins and understanding the micromechanical behaviors of granular media. Despite large vision models (LVMs) having shown remarkable effectiveness across various domains, their application to accurate 3D particle reconstruction remains underexplored. This study proposes a systematic framework that enhances and leverages LVMs for the reconstruction of arbitrary 3D particles. The proposed framework includes three key steps: (1) enhancing LVMs with higher computational efficiency for two-dimensional (2D) label extraction, (2) mapping stacked 2D labels to 3D, and (3) extracting particle surfaces to generate 3D models. The enhanced approach is applied to reconstruct four distinct samples to validate feasibility. Six conventional and four lightweight LVMs are selected to explore the influence of model size and the number of prompts on reconstruction accuracy. The H-extreme watershed method is chosen as a benchmark for comparison. The results demonstrate that the enhanced framework can accurately reconstruct irregular and complex samples, such as carbonate sands, with a greater than 50% improvement in accuracy compared to the benchmark prediction. Additionally, the framework effectively reduces over- and under-segmentation errors, resulting in accurate reconstruction of microstructural characteristics. This versatile framework presents a promising alternative for investigating complex micromechanical mechanisms of granular media.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».