敵対的生成ネットワークを使用したイベリア陶器の復元

Jan 30, 2024

Scientific Reports volume 12、記事番号: 10644 (2022) この記事を引用

1612 アクセス

20 オルトメトリック

メトリクスの詳細

歴史的傾向を含む過去の文化のいくつかの側面は、さまざまな時代に属する考古学的遺物で観察される時間ベースのパターンから推測されます。これらの物体の存在とバリエーションは、新石器革命に関する重要な手がかりを提供し、ほとんどの考古学的遺跡に比較的豊富に存在することを考えると、陶磁器はこの目的に非常に役立ちます。それにもかかわらず、入手可能な陶器のほとんどは断片化されており、形態学的情報が欠落しています。現在、何千もの混合された断片のコレクションから断片化されたオブジェクトを再組み立てすることは、断片の物理的な操作を必要とする、ほとんど手作業で行われる気の遠くなるような時間のかかる作業です。手動による再構成の課題を克服し、再構成されたサンプルの品質を向上させるために、完全かつ断片化された参照を含む広範なデータベースでテストされた、カスタマイズされた敵対的生成ネットワーク (GAN) である IberianGAN を紹介します。私たちは、グアダルキビル川の上流渓谷（スペイン）にある遺跡に属するイベリコ車輪製陶器のプロファイルに対応する 1,072 個のサンプルを使用してモデルをトレーニングしました。さらに、考古学者による専門家の評価とともに、復元されたサンプルの品質を測定するための定量的および定性的評価も提供します。結果として得られる枠組みは、元の作品の部分的な断片からの陶器の再構築を容易にする可能性のある方法です。

過去の採餌個体群の物的証拠は、考古学において多用な研究分野です。新石器時代の移行を知らせる多くの要因の中でも、陶磁器は文化的選択プロセスの観点から非常に有益です。これらは、最も頻繁に発見される考古学的遺物の 1 つでもあります。それらは通常短命であるため、形状や装飾は時間と空間の経過とともに大きな流行の変化を受けることを考慮すると、研究者はこれらの遺物が時系列的および地理的調査に役立つと考えています1。これは考古学的な地層を年代測定するための基礎となり、地元の生産、貿易関係、地元住民の消費者行動などの貴重なデータの大規模なセットからの証拠を提供します2、3、4。いくつかの先行研究では、完全な陶器のプロファイルを使用して陶器のさまざまな側面を分析しています。自動プロファイル分類 5、6、7、8、9 および特徴抽出 10、11、12、13、14、15、16、17 は、従来の画像処理技術から深層学習アプローチに至るまで幅広く研究されてきました。残念なことに、陶器は壊れやすいため、遺跡から回収された実際の陶器のほとんどは壊れており、入手可能な材料の大部分は破片として現れます。断片の再組み立ては、断片を物理的に操作する必要があり、ほとんど手作業で行われる気の遠くなるような時間のかかる作業です。断片化プロセスを理解し、復元作業を改善する直観的な方法は、イベリアの職人が行った手順を模倣して大量の陶器を製造し、それらを破壊し、得られた断片のセットを分析することです。残念ながら、この種の不完全な資料に対するこれらおよび同様の手動処理方法は、熟練した考古学者であっても非常に時間と労力を要します18。これらの要因により、陶器の自動再組み立てと再構築 19,20,21 および断片分析 22 への関心が高まっています。それにもかかわらず、既存の研究では、既知の断片間の比較を使用して断片の問題を解決しています。データセット内で最も一致するものは、その陶器に最も適した断片です。ここでは、モデル内の既知のフラグメントのセットに基づいて「最良のフラグメント」を人工的に生成し、本物と同じ特徴を持つ新しい仮想陶器を作成する深層学習アプローチを提案します。この文書の主な貢献は次のとおりです。

我々は、リムまたはベースの断片から陶器のプロファイルを再構築する生成モデルに基づくフレームワークである IberianGAN を紹介します (図 1A、B を参照)。

私たちは、陶器の完全なプロファイルを 2 つの部分 (それぞれ底面と縁、図 1C を参照) に分割する方法を使用して、人工破片サンプルを生成します。

私たちのアーキテクチャと比較するために、さらに 4 つのアプローチを評価します。さらに、幾何学的形態計測学に基づく研究（図1Dおよび図2を参照）、ドメイン専門家の検証、および開閉形状分類子（図S1）を使用して、5つの方法を検証します。

提案されたアプローチの概要。 (A) IberianGAN アーキテクチャ。 G(x) ジェネレーターは、エンコーダー/デコーダーアーキテクチャに基づいています。陶器の破片を受け取ると、エンコーダーはそれをベクトルに変換し、デコーダーは欠落しているか未知の破片を生成します。識別子 D(x) は完全なプロファイルを受け取り、それが真か偽かを判断します。 (B) プロファイルのリムとベースに分割するプロファイルの基準。 (C) 開いた形状と閉じた形状の両方のフラグメントから IberianGAN で生成されたサンプルの例 (明るい色で表示)。 (D) 実際のサンプルと人工的に生成されたサンプルを比較したセミランドマーク分析と RMSE 値。

形状の検証。オレンジ色は、実際のリムを含む生成されたプロファイル。青で、実際のイベリア人のプロフィールを完成させます。ピンク色は、実際のフラグメントの k 番目に最近傍のフラグメント (入力リムを除く)。 dr は、実際のリムと生成されたリムの間の距離です。 dg は、生成されたフラグメントとリム形態計測空間内の K 個の隣接フラグメントとの間の (ベース形態計測空間内の) 最小距離です。

生データはバイナリプロファイル画像に属し、グアダルキビル川上流域 (スペイン) のさまざまな遺跡から出土したイベリアの車輪で作られた陶器に対応します。利用可能な画像は陶器の側面図で構成されており、サイズスケールに対応する画像解像度（ピクセル単位）は取得設定によって異なる場合があります（図S2）。これらの画像をリム部分とベース部分に分割して、プロファイルの破損をシミュレートしました。分割基準と方向は、初期形状 (閉じているか開いているか、図 1B を参照) によって異なります。結果のデータセットは 1,075 枚の画像で構成され、752 枚の画像 (70%) を含むトレーニングサブセット、108 枚の検証セット (10%)、および 215 枚の画像のテストセット (データセット全体の 20%) にランダムに分割されます。

GAN は、画像生成 23,24、画像翻訳 25,26、顔画像合成 27,28,29、そして最近ではテキスト 30,31 やオーディオ生成 32 など、さまざまなコンピュータービジョンタスクにおいて顕著な結果を示しています。一般的な GAN33 フレームワークには、生成 (G) ニューラルネットワークと識別 (D) ニューラルネットワークが含まれており、G は現実的なサンプルを生成することを目的とし、D はサンプルが実際のデータ分布 (H0) からのものであるかどうかを識別することを学習します。 D(x) は、x がトレーニングデータから得られる場合は高く、x がジェネレーターから得られる場合は低くなります。変数 z は、正規分布からサンプリングされた潜在空間ベクトルです。 G(z) は、潜在ベクトル z をイベリア陶器プロファイルのデータ空間にマッピングする生成関数を表します。

複数の反復により、D をだますために生成プロセスを調整する方法を G に通知します。この場合、データ要素 x は、陶器のプロファイルのジオメトリを含むバイナリの 2 次元配列に対応します。 D(G(z)) は、ジェネレーター G の出力がイベリア陶器データセットからの実際のサンプルである確率です。 D は、実際の形状が正しく分類される確率である (log D(x)) を最大化しようとしますが、G は D の確率である (log (1 − D(G(x))) を最小化しようとします。深層畳み込み生成敵対的ネットワーク (DCGAN)34 は、GAN 用に設計された最も人気があり成功したネットワークの 1 つです。モデルは主に、最大プーリングや完全接続層のない畳み込み層で構成されています。畳み込みを使用します。ダウンサンプリングとアップサンプリングのためのストライドと転置畳み込み. 他の研究では、ベクトル z は 1 つ以上の入力画像から構築され、生成されたサンプルは入力によって調整されます. このタイプの自動エンコーディング GAN (AE-GAN) には、 \(E:X \to Z\) 関数を学習し、各実際のサンプルを潜在空間内の点 (z) にマッピングするように訓練されたエンコーダのネットワークが追加されました 35。私たちが提案する生成アプローチの詳細な設計と実装については、以下で説明します。「材料と方法」セクション。

IberianGAN の結果は、AE-GAN35 に基づく複数のアプローチと比較されました。すべてのアプローチには、アーキテクチャまたはトレーニングプロセスのバリエーションが含まれています (「材料と方法」セクションを参照)。私たちは、いくつかの生成メトリクス、幾何学的形態計測分析、開いた形状と閉じた形状分類子に基づく検証、および分野の専門家によって行われた検証テストにわたってメソッドを評価します。特に、IberianGAN によって生成された画像の品質を評価するために、二乗平均平方根誤差 (RMSE)、フレシェ開始距離 (FID)36、ジオメトリスコア (GS)37、およびダイス係数 38 の生成メトリクスを計算しました。 RMSE を使用すると、生成された結果を実際のプロファイルと比較して評価できます。 RMSE は、2 つの画像がどのように異なるかを定量化します。 RMSE 値が小さいほど、プロファイルは類似しています。メトリクス FID は、生成されたイメージの分布を実際のイメージの分布と比較することを目的としています。 FID 値が低いほど画像の品質が高く、スコアが高いほど出力の品質が低いことを示します。 GS を使用すると、2 つの形状 (この場合は実際の陶器と合成の形状) の基礎となる多様体のトポロジーを確率論的に比較できます 37。低い GS 値は、2 つのデータセット間のトポロジが類似していることを示します。最後に、Dice 係数を使用して 2 つのバイナリイメージ (黒または白のピクセル) を比較します。メトリックは [0, 1] の正規化された値をとります。0 は 2 つの画像が完全に異なることを意味し、1 は両方が同じ画像であることを意味します。表 1 に、イベリアデータセットからのテストセットのパフォーマンスメトリックを示します。 RMSE、FID、および DC スコアに関しては、他の場所で紹介されているアーキテクチャと比較すると、IberianGAN のパフォーマンスが大幅に優れています。

これは、生成されたプロファイルが実際のサンプルに対して同様の幾何学的分布を持ち、したがって結果として得られる陶器が実際のサンプルと同等であることを意味します。強化学習 (AE-GAN-LR) を使用した提案された代替案は、トポロジーの類似性 (GS メトリック) を改善します。それにもかかわらず、トポロジーの類似性は最も重要な要素ではなく、AE-GAN-LR と IberianGAN によって生成された合成トポロジーの間には実際に重複があるため (図 3A を参照)、後者によって生成された合成サンプルは考慮できると考えられます。実際のサンプルと比較してトポロジー的に正確です。さらに、データの分布を定性的に評価しました。このために、実際の陶器と生成された陶器の画像を使用して主成分分析 (PCA) を使用して特徴空間を作成しました。図 3B では、実際の画像のこの特徴空間における分布が、IberianGAN で生成された画像の分布と類似していることがわかります。すべてのアプローチの結果を定性的に比較します。図 4 では、同じ入力を使用し、それをデータセットの元の画像と比較した結果をいくつか示します。観察されたように、IberianGAN は入力画像を調べ、説得力のある結果でフラグメントを完成させます (図 S4 のさらなる結果を参照)。上記の結果を考慮すると、IberianGAN は、欠落した破片を推定し、元の陶器の幾何学的特性を維持しながら、現実的で完全な陶器のプロファイルを提供するために十分に使用できます。

(A) 実際のデータセット (青) と生成されたデータセット (オレンジ色) の GS 分布。 GS 指標の詳細については、「材料と方法」: 評価指標のセクションを参照してください。 (B) 完全な実際のデータセットとランダムに生成された 1200 サンプルに対する PCA 比較。

IberianGAN のパフォーマンスを他のアプローチと比較するために、ランダムな例がサンプリングされました。生成された陶器はオレンジ色です。黒色は入力フラグメントです。

実際のプロファイルデータセットでは、プロファイルのベース形状はリムセット全体のサブセットのみと組み合わせて表示されます (逆も同様)。つまり、すべてのベース/リムの組み合わせが実際のプロファイルに存在するわけではありません。これは、陶器の構造全体が通常、1 つの目的 (液体の貯蔵、調理、輸送、飲料、儀式など) のみを目的として設計されているためです。ベースとリムの組み合わせによっては、役に立たない、または非実用的なポットが作成される場合があります (たとえば、非常に小さなベースと大きなリム)。同様の効果は、発射点の設計を分析するときにも見られます39。この場合、これらの加工品のステムとブレード (発射点の 2 つの部分) の設計のバリエーションがモジュール式で研究され、その設計における関係が決定されます。その形。したがって、既存のベースから有効な形状のリムを生成する、またはその逆の IberianGAN の機能を評価します。 39 に基づいて、生成されたフラグメントの形状を分析するためにセミランドマークを抽出しました。実際の陶器のプロファイルデータセットを使用して、断片の準ランドマークを PCA の入力として使用して形態計測空間を作成しました。私たちは 4 つの形態計測空間 (閉じた陶器の形状用に 2 つと開いた陶器の形状用に 2 つ) を使用し、それぞれに対応するリムとベースが含まれています。生成されたプロファイルを比較できる指標を取得するために、これらの形態計測空間における生成された破片と実際の陶器のプロファイルの間のユークリッド距離を分析します (図 2 のグラフによる説明を参照)。既存のフラグメント (例: リム) から生成されたポットが与えられると、まず生成されたプロファイルを分割し、結果として得られる 2 つの半分を対応する空間上に配置します。次に、実際のフラグメントと生成されたフラグメントの間の距離を分析します (図 2 の dr)。）。生成されたプロファイルの残りの半分を評価するには、最初の空間で実際のフラグメント (入力フラグメント) に最も近い K 個のフラグメント (K = 50) を使用し、そのペアを他の空間に配置します (この例では、すべての実ベースに対して生成されるスペース)。この空間内で、生成されたフラグメントと最初の空間内で隣接するフラグメントとの間の最小距離を計算します (図 2 の dg)。このタイプの形態計測検証により、入力フラグメントから実際の形状を持つフラグメントを生成するメソッドの機能が確立されます。表 2 に、この作業でテストしたすべてのアプローチの平均ユークリッド距離を示します (「材料と方法」セクションを参照)。この表には、開いた形状と閉じた形状に対応する 2 つの部分が示されています。入力がリムである場合とベースである場合の 2 つのシナリオを検討しました。 IberianGAN は未知のフラグメントのみを生成したため、入力と既知のフラグメントの間の距離はゼロに近くなります。ネットワークがプロファイル全体の形状を生成するアプローチでは、既知のフラグメントと未知のフラグメント間の距離は類似しています。

生成モードとは別に、バイナリ分類器をトレーニングしました。このモデルは、開いた血管プロファイルと閉じた血管プロファイルを分類できます。 ResNet-1840 の事前トレーニング済みの重みを使用しました。この検証の目的は、さまざまなモデルによって生成されたデータが実際のサンプルを模倣できること、および実際のデータサンプルのみを使用してトレーニングされた場合でも分類器が正しいクラスを予測できることを検証することです。表 S1 は、さまざまなデータセットを使用した分類メトリックを示しています。特に、分類器は生成されたデータの影響を受けないことがわかります。特に、すべてのケースで実際のテストデータ部分と比較してメトリクスが向上しています。さらに、図 S1 では、識別閾値を変化させたときの分類器の感度と特異度のグラフ表示を見ることができます。このタイプの結果は、生成された新しいサンプルの分布と形状が実際のデータと類似していることを示しています。さらに、それらは分類子の精度には影響を与えないことに注意してください。

私たちは、適切なイベリア様式の陶器プロファイルを作成する IberianGAN の機能を評価するために、ドメイン考古学の専門家向けの実験を設計しました。この目的のために、イベリア文化を専門とする6人の考古学者に、オンラインアンケートの形式で一連の画像（図S3を参照）を提示します。調査では、ランダムに選択した 20 枚の画像を表示します。そのうちの半分は実際のイベリア陶器のプロファイルに対応し、残りの半分は IberianGAN によって生成されたものです。各画像には、イベリアスタイルとの類似性のレベルを決定するために 0 から 5 の間で評価するための複数の選択肢があります。0 はイベリアスタイルと無関係であることを意味し、5 は完全にイベリアスタイル内にあることを意味します。全体として、生成されたサンプルの評価は平均 3.88、すべての考古学者の標準偏差は 1.43、実際のサンプルの評価は 3.93 ± 1.45 でした。結論として、考古学者は、生成された土器は平均して実際の土器に見られるものと同様のイベリア様式を持っていると考えています。 IberianGAN は不完全な断片からイベリア風の陶器を生成できるため、これは重要です。

陶器は最も頻繁に発見される考古学的遺物の 1 つであり、通常、様式、使用される材料、製造技術の変化を調査するために使用される中心的な遺跡を構成します。土器の通時的および地理的変動を調査することは、さまざまな地域における新石器時代の移行のダイナミクスを再構築するために非常に重要です。しかし、陶器は壊れやすいため、遺跡から回収された材料のほとんどは壊れています。したがって、利用可能なサンプルは断片的に表示されます。破片の再組み立ては、ほとんど手作業で行われる気の遠くなるような時間のかかる作業であり、セラミックの破片を物理的に操作する必要があります。したがって、断片を自動的に処理して再構築分析を提供する IberianGAN などの生成的アプローチは、再構築プロセスにおいて考古学者を支援できます。

このようなアプローチは、オブジェクトの再構築のための一般的なフレームワークを提供することで、より広範な影響を及ぼします。私たちが提案したフレームワークは、さまざまな破砕材料を示すさまざまなセラミックデータセットに柔軟に対応できます (図 S6 の Roman Pottery の結果を参照)。 IberianGAN は、単なる陶磁器を超えて、他の考古学的遺跡 (例: 発射点、歴史的建造物など) や人類学的遺跡 (例: 頭蓋骨、後頭蓋骨など) を復元するために使用できます。

私たちは、3 つの異なる、しかし補完的なアプローチに基づいて IberianGAN のパフォーマンスを評価しました。(a) 画像の生成プロセスを評価するための古典的なメトリクス (表 1 と図 2 を参照)。 (b) 土器の構造に基づく形状分析 (セクション「結果」: 形状の検証を参照)、および (c) イベリア文化遺産を専門とする考古学者の独立した検査による検証 (「結果」: 分野の専門家の検証)。

3 つのアプローチで得られた結果は、私たちのアプローチが画像、陶器の形態計測構造、および専門家の検証基準を満たす陶器を生成できることを示唆しています。 IberianGAN では、イベリアの轆轤製陶器のデータベース内の断片の予測において優れたパフォーマンスが達成されていますが、いくつかの制限に対処する必要があります。一般に、考古学者は陶器の底部または上部に属する破片を扱います。したがって、ネットワークは常にベースまたはリムフラグメントを使用してトレーニングされました。これは、モデルが常にフラグメントをベースまたはリムとして配置することを意味します。さらに、私たちのアプローチでは、トレーニングと評価中に大きなフラグメントが使用されます。モデルが期待どおりに動作するために許容されるフラグメントの最小サイズを決定するには、追加の調査が必要です。それにもかかわらず、私たちは、私たちが提案したフレームワークは、フラグメントの認識と組み立てのための生成ネットワークのより広範な使用に向けた最初のステップであると信じています。これは、フラグメントのさまざまな測定、特に3Dセラミックスやオブジェクトのアプリケーションに関連する研究の新しい道を開くでしょう。一般的な。

陶器に関するこれまでの研究には、形状、寸法、装飾、技術的要素、色、幾何学的特徴、対称軸、使用材料などの比較分析に基づく古典的なアプローチと、一般に機械学習技術、特にセラミックの特性評価に適用される深層学習に基づいた新しい手法。全体として、陶器のプロファイルは分類の文脈で使用され 5、6、7、8、9、形状および/またはスタイルの属性の変化を研究するために使用されました 10、11、12、13、14、15、16、17。前述したように、発掘で見つかった土器のすべてが完成しているわけではありません。そのため、断片化したセラミックを識別することを目的とした特性評価方法を改善することが重要です。 Rasheed ら 19 は、考古学的断片から陶器を復元するための多項式関数に基づく方法を発表しました。断片の画像が与えられると、エッジ曲線が抽出され、多項式関数で近似されて係数ベクトルが得られます。ペアの陶器片間の最適なマッチングは、係数の関係に従って行われます。

他の著者は、3D モデルから離れて考古学的発見の欠落部分を生成する方法を提案しました 20,21。欠落した破片があると想定される領域では、リバースモデリングによってスケッチが作成され、欠落した破片の設計に使用されます。最後に、欠損部分のデジタル複製が積層造形技術によって実現されます。

GAN は、さまざまなアプリケーション領域で顕著な結果を示しています。複雑な分布を学習し、意味的に意味のあるサンプルを生成する能力は、ネットワーク設計のさまざまなバリエーションや新しいトレーニング技術 (GANs33、条件付き GANs41、InfoGAN42、BAGAN43) につながりました。カスタマイズされた損失関数 (コンテンツ損失 44、サイクル一貫性損失 45)、およびドメイン適応アプローチ (ADDA46、CycleGAN47) など。さまざまな GAN バリアントとトレーニング技術のより包括的なレビューは、48、49、50 で見つけることができます。

さらに、文化遺産領域に GAN が適用された例が複数あります。たとえば、自動画像スタイル転送51などの技術は、ユーザー定義のマスクから離れて広東磁器スタイルの画像を生成することを目的としたモデルを開発するために使用されました。同様の技術が材料の劣化にも適用されました47、52、53、54、55、56。たとえば、Hermoza et al.57 は、考古学的オブジェクトを復元するための 3D 再構築 GAN である ORGAN を導入しました。これは、cGANs41 に基づく GAN 上のエンコーダー/デコーダー 3D DNN に基づいています。このネットワークは、不完全なオブジェクトの欠落部分を予測できます。 58 では同様のアプローチがとられており、Z-GAN が損傷した物体の単一画像をボクセルに変換して、元の部分を再構築します。どちらの研究も、3D モデリングおよびボクセル化された損傷したオブジェクトの欠落したジオメトリの予測の問題に取り組んでいます。より具体的には、これらの研究は、人工物体がある種の構造と規則性を示すという仮定から逸脱しています。使用される最も一般的なタイプの構造は対称です。彼らは GAN から始めて、既知のオブジェクトのコレクションの構造と規則性を学習し、それを使用して不完全な損傷したオブジェクトを完成させ、修復します。文化遺産保存の別の例は参考文献 59 にあり、損傷した芸術作品のキュレーションと完成に画像完成アプローチが適用されています 60。

AE-GAN に基づいて 5 つの異なる生成ネットワークを設計、トレーニング、評価しましたが、実験段階では複数のトレーニング手順を使用しました。このセクションでは、プロセスに適用される各増分戦略と、それらに対応するハイパーパラメーター、トレーニング手法、およびセットアップについて詳しく説明しました。この研究で分析されたハイパーパラメータ設定とさまざまなアプローチを含むデータとソースコードは、拡張と複製の目的で IberianGAN (https://github.com/celiacintas/vasijas/tree/iberianGAN) で公開されています。

結果として得られるすべてのネットワークは、損失関数としてバイナリクロスエントロピーを使用し、生成ネットワーク (G) の学習率 2 × 10−4、弁別器 (D) の学習率 2 × 10−5 で、5000 エポックの間トレーニングされました。すべてのモデルのトレーニングプロセスを最適化するために、画像を 128 × 128 ピクセルの均一な解像度に拡大縮小し、色を反転しました。データ拡張、特にランダムな回転 (0 度から 45 度の間) を適用しました。 G と D の両方に対して、β1 = 0.5 および β2 = 0.999 で ADAM 最適化 61 を使用し、損失関数としてバイナリクロスエントロピーを使用しました。特に、D のトレーニングには Label Smoothing62 を使用しました。実際のセットは 0.7 ～ 1.2 の乱数で表され、生成されたセットは 0.0 ～ 0.33 で表されます。

最初に、完全な陶器のプロファイルを生成するために典型的な AE-GAN をトレーニングしました。 2 つの画像を入力として使用できるアーキテクチャを備えたジェネレーター (G) と、3 つの入力画像 (2 つの入力と生成された画像) を備えたディスクリミネーター (D) を実装しました。トレーニング中に、G の収束プロセスを高速化するために、同じ確率で異なる入力タイプを作成し、画像のペアを選択します。可能な入力タイプは、リム/ベース (またはベース/リム)、ベース/黒画像、またはリム/黒画像でした (図 S5-A を参照)。次に、入力フラグメントから完全な陶器プロファイルへの変換を取得することを目的として、AE-GAN-MP と呼ばれる、ジェネレーターの AE-GAN 部分のエンコーダーのアーキテクチャを変更します。この場合、ジェネレーターエンコーダーは一度に 1 つの入力画像を処理します。これを行うのは、入力画像を個別に埋め込み、最大プーリング層を適用して 2 つの表現を結合するためです (図 S5-B を参照)。この変更により、完全なプロファイルを生成するための表現の多様性がさらに高まります。

さらに、AE-GAN-MP アーキテクチャのジェネレーターをトレーニングするための新しい損失関数を定義します。複数のタイプの入力 (リム/ベース、ベース/リム、リム/黒、およびベース/黒) の戦略を使用して、入力が完了した場合にのみこの新しい損失関数を計算します (例: リム/ベースまたはベース/リム)。。このために、次のように定義された平均二乗誤差 (MSELoss) を使用します。

ここで、 \(\hat{y}\) は予測された陶器であり、 \({\text{y}}\) は実際の例です。目標は、ジェネレーターが結果とターゲット (実際の陶器のプロファイル) の間の MSE 誤差を最小限に抑えることです。最後に、入力と生成された陶器の間のより強い関係を取得するために、結果として得られる陶器を変更する (またはより正確な結果を得るために反復する) 戦略を設計します。これを行うには、前の結果の入力を使用して、2 回の反復で新しい陶器 (最終結果) を生成します。中間結果は、画像行列演算を使用して入力に加算されます (図 S5-C を参照)。このアプローチを強化学習を使用した AE-GAN (AE-GAN-RL) と呼びました。

IberianGAN は AE-GAN に基づいており、ジェネレーターは自動エンコーディングネットワーク \({\text{Encode}}\left( {\text{x}} \right) \to {\text{z }} \in { \text{R}}^{{\text{m}}} ,{\text{ デコード}}\left( {\text{Z}} \right) \to {\text{x}}^{{\プライム }}\)、ここで \({\text{x}} \in \left[ {0,1} \right]^{{{\text{m}} \times {\text{m}}}} \) は入力フラグメントであり、フラグメントの形状情報を含むバイナリ 2 次元配列です。x' は欠落している生成部分です。識別器ネットワークをトレーニングするには、例として D(y) を使用します。 \({\text{y }} = {\text{ x }} + {\text{ x}}^{{\prime }}\)生成された。この時点で、ネットワークは未知のフラグメントのみを生成し、ディスクリミネーターは完全なプロファイルでトレーニングされます。 IberianGAN は欠落したフラグメントのみを生成するため、そのトレーニングプロセスでは 2 つの画像を入力として使用する必要はありません (図 1A を参照)。トレーニングには、プロファイルのベースまたはリムに対応する画像のみを使用します。 IberianGAN の完全な定義、実装、トレーニング、評価については、https://github.com/celiacintas/vasijas/tree/iberianGAN を参照してください。

このセクションでは、生成されたサンプルの品質を評価するプロセスを示します。さまざまなアプローチの結果を比較するために、2 つのアプローチを使用します。まず、GAN を評価するために使用される一連の測定値です。これらの測定基準は、生成されたすべての陶器の一般的な分布を指します。さらに、生成された陶器の既知の破片を評価するために、実際の陶器と得られた結果を比較する指標を使用します。最初のタイプでは、生成されたプロファイルの分布と形状を評価することを検討します。まず、Frechet Inception Distance (FID) 36 を使用します。これは、現在 GAN を評価するための最も一般的な指標の 1 つです 63。 FID を使用すると、InceptionV3 分類器の高次元特徴空間内の 2 つの分布の密度の差を定量化できます64。詳細には、FID は、高度な抽象化を備えた記述子空間 (Inception-V3 の中間層によって定義される) に画像を埋め込みます。この特徴空間は、生成されたデータと実際のデータの平均と分散を計算するために使用されます。フレッチャー距離は、これらの分布間で計算されます。 FID は次の式に従って計算されます。

ここで、(µr, Σr) と (µg, Σg) は、それぞれ実際のデータと生成された分布の平均と共分散です。距離が小さいということは、データの分布が類似していることを示しており、この場合、生成された陶器が本物の陶器と類似した分布を持っていることを示しています。 FID は分類子ネットワークに基づいています。このタイプのメトリクスは形状ではなくテクスチャに焦点を当てていることが示されているため 65、そのため、形状ベースのメトリクスであるジオメトリスコア (GS)37 を使用してアプローチを評価することにしました。

GS は、2 つのデータセットのトポロジ特性を比較するためのメトリックです。形式的には、GS は 2 つの画像グループに関連付けられた相対寿命ベクトル (RLT) の平均間の l2 距離です。画像グループ (たとえば、特徴空間でエンコードされた) の RLT は無限ベクトル (v1、v2、...、vi) です。ここで、i 番目のエントリは、永続的な相同グループを持つ永続的な間隔の尺度です。ランクはiと等しい。 vi は次のように定義されます。

ここで、Ij = 1 は区間 [dj, dj + 1] における次元 1 の永続的相同グループのランクであり、Ij = 0 はその逆です37。低い GS 値は、一連のイメージ間のトポロジが類似していることを示します。一方、2 番目の指標グループでは、完全な陶器に対して結果を評価します。陶器は破片のみから生成されるため、結果が実際の陶器と同じであることを試みているわけではないことを明確にすることが重要です。この目的のために、画像処理で頻繁に使用される 2 つの指標、二乗平均平方根誤差 (RMSE) と RMSE を使用します。 DICE係数38。

RMSE は、2 つのサンプル (この場合は陶器のプロファイル) 間の類似性の比較を可能にする指標です。これは、生成された画像と実際の画像のピクセル間の差の二乗の平均の平方根を使用して測定されます。実際のプロファイル画像 (画像 d) と生成された画像 (画像 f ) の間の RMSE は、次の式で与えられます。

このメトリックはピクセルごとに計算されます。ここで、di と fi はそれぞれイメージ D と F のピクセルです。この式では、RMSE 値が低い場合、軽微な誤差が示されます。 DICE 係数を使用すると、生成されたプロファイルと実際のプロファイルの間のジオメトリを評価できます。このメトリクスは、セグメンテーションネットワークの結果を評価するために一般的に使用されます66。そのため、DICE 係数を計算するには、画像がバイナリ (白黒) である必要があります。この係数は、画像を形状の 2 つのオーバーレイとして評価します。これを行うために、生成された画像の領域と実際のプロファイルの領域が計算されます。生成されたプロファイル A と実際のプロファイル B を考慮して、DICE が計算されます38:

ここで、A と B はプロファイルのピクセル単位のサイズです。メトリクスの最大値は、形状が実物と同一の場合は 1、全体の形状が一致しない場合は 0 となります。

この研究の結果を裏付けるデータとコードは、拡張と複製の目的で IberianGAN (https://github.com/celiacintas/vasijas/tree/iberianGAN) で公開されています。

Eslami, D.、Di Angelo, L.、Di Stefano, P.、Pane, C. 考古学的な陶器の破片を復元するためのコンピューターベースの方法のレビュー。仮想アーキオール。改訂第 11 巻、34 ～ 49 (2020)。

記事 Google Scholar

Orton, C.、Tyers, P. & Vinci, A. 考古学における陶器 (ケンブリッジ大学出版局、1993 年)。

Google スカラー

Kampel, M. & Sablatnig, R. 自動化された陶器のアーカイブおよび復元システム。 J.Vis. 計算します。アニマット。 14、111–120 (2003)。

記事 Google Scholar

Kashihara, K. 平面画像特徴を持つ遺伝的アルゴリズムに基づくアーティファクト修復のためのインテリジェントなコンピュータ支援システム。内部。Ｊ．Ｃｏｍｐｕｔ．知性。応用 16、1750021 (2017)。

記事 Google Scholar

Lucena, M.、Fuertes, JM、Martinez-Carrillo, AL、Ruiz, A. & Carrascosa, F. 簡略化された曲線を使用したイベリコ陶器の効率的な分類。 J.カルト。ヘリット。 19、538–543。 https://doi.org/10.1016/j.culher.2015.10.007 (2016)。

記事 Google Scholar

Lucena, M.、Fuertes, JM、Martínez-Carrillo, AL、Ruiz, A. & Carrascosa, F. モーダル解析を使用した考古学的陶器プロファイルの分類。マルチメッド。ツールアプリケーション 76、21565–21577。 https://doi.org/10.1007/s11042-016-4076-9 (2017)。

記事 Google Scholar

Cintas, C. et al. 深い畳み込みネットワークに基づいたイベリコ陶器の自動特徴抽出と分類。 J.カルト。ヘリット。 41、106–112。 https://doi.org/10.1016/j.culher.2019.06.005 (2020)。

記事 Google Scholar

Llamas, J.、Lerones, PM、Zalama, E.、Gómez-García-Bermejo, J. INCEPTION プロジェクト内の文化遺産画像に深層学習技術を適用。コンピュータサイエンスの講義ノート (サブシリーズの人工知能の講義ノートおよびバイオインフォマティクスの講義ノートを含む)、vol. 10059 LNCS、25–32。 https://doi.org/10.1007/978-3-319-48974-2_4 (2016)。

Di Angelo, L.、Di Stefano, P.、Pane, C. 陶器の自動寸法特性評価。 J.カルト。ヘリット。 26、118–128。 https://doi.org/10.1016/j.culher.2017.02.003 (2017)。

記事 Google Scholar

Shennan, S. & Wilcock, J. 中央ドイツのベルビーカーの形状とスタイルのバリエーション。科学。アーキオール。 15、17–31 (1975)。

Google スカラー

ライス、PM 陶器分析 (シカゴ大学出版局、1987)。

Google スカラー

Nautiyal, V. et al. インド考古学陶器の幾何学的モデリング: 予備研究。 Clark, J. & Hagemeister, E. (編著)「人類遺産の新境地を探る」。 CAA2006。考古学におけるコンピュータアプリケーションと定量的手法 (ファーゴ、アメリカ合衆国、2006 年)。

Mom、V. SECANTO — SECtion 分析ツール。フィゲイレド、A. & ヴェリョ、GL (編) 世界はあなたの目の中にあります。 CAA2005。考古学におけるコンピュータアプリケーションと定量的手法、95–101 (トマール、ポルトガル、2007)。

Saragusti, I.、Karasik, A.、Sharon, I. & Smilansky, U. アーティファクト分析における輪郭と断面プロファイルに基づく形状属性の定量分析。 J. Archaeol. 科学。 32、841–853 (2005)。

記事 Google Scholar

Karasik, A. & Smilansky, U. セラミックのコンピューター化された形態学的分類。 J. Archaeol. 科学。 38、2644–2657 (2011)。

記事 Google Scholar

スミス、NGら。陶器情報学クエリデータベース: 大規模な地域の陶器データセットを数学的および定量的に分析するための新しい方法。 J. Archaeol. 方法理論 21、212–250。 https://doi.org/10.1007/s10816-012-9148-1 (2014)。

記事 ADS Google Scholar

ナバロ、P. et al. 自動分類モデルによるイベリコ陶器の特徴表現の学習。 J.カルト。ヘリット。 48、65–73。 https://doi.org/10.1016/j.culher.2021.01.003 (2021)。

記事 Google Scholar

Di Angelo, L.、Di Stefano, P.、Pane, C. 陶器の破片分析のための自動方法。測定 128、138 ～ 148。 https://doi.org/10.1016/j.measurement.2018.06.008 (2018)。

記事 ADS Google Scholar

Rasheed, NA & Nordin, MJ 断片化されたオブジェクトの自動再構成における多項式関数。Ｊ．Ｃｏｍｐｕｔ．科学。 10、2339–2348 (2014)。

記事 Google Scholar

Fragkos, S.、Tzimtzimis, E.、Tzetzis, D.、Dodun, O.、Kyratsis, P. 考古学的発見物の 3D レーザースキャンとデジタル復元。マテックWeb会議 178、03013。https://doi.org/10.1051/matecconf/201817803013 (2018)。

記事 Google Scholar

Kalasarinis, I. & Koutsoudis, A. デジタルテクノロジーを使用して陶器の修復手順を支援します。内部。Ｊ．Ｃｏｍｐｕｔ．メソッド継承。科学。 IJCMHS 3、20–32 (2019)。

記事 Google Scholar

Chateau-Smith, C. 陶器の破片に最適なものを特定するコンピューターツール。 J. Archaeol. 科学。議員 37、102891。https://doi.org/10.1016/j.jasrep.2021.102891 (2021)。

記事 Google Scholar

Emami, H.、Dong, M.、Nejad-Davarani, SP & Glide-Hurst, CK 敵対的生成ネットワークを使用して磁気共鳴画像から合成 CTS を生成。医学。物理学。 45、3627–3636 (2018)。

記事 Google Scholar

ハン、C.ら。 Gan ベースの合成脳 MR 画像生成。 2018 年、IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018)、734–738 (2018)。

ジュー、J.-Y. 他。マルチモーダルな画像から画像への変換に向けて。『神経情報処理システムの進歩』、465–476 (2017)。

アルマニアス、K.ら。 Medgan: gans を使用した医療画像翻訳。計算します。医学。画像グラフ。 79、101684 (2020)。

記事 Google Scholar

Karras, T.、Aila, T.、Laine, S. & Lehtinen, J. 品質、安定性、バリエーションを向上させるためにガンを段階的に成長させます。 arXiv プレプリント arXiv:1710.10196 (2017)。

Ye, L.、Zhang, B.、Yang, M. & Lian, W. 顔画像合成用の多層スパース表現を備えたトリプル変換ガン。ニューロコンピューティング 358、294–308 (2019)。

記事 Google Scholar

Zhang、H.ら。 Stackgan++: スタックされた敵対的生成ネットワークによるリアルな画像合成。 IEEEトランス。パターンアナル。マッハ。知性。 41、1947 ～ 1962 年 (2018)。

記事 Google Scholar

チェン、L.ら。特徴移動者の距離による敵対的テキストの生成。生理学研究所、4666–4677 (2018)。

Xu, J.、Ren, X.、Lin, J. & Sun, X. 多様性促進ガン: 多様なテキスト生成のためのクロスエントロピーベースの敵対的生成ネットワーク。自然言語処理における経験的手法に関する 2018 年会議議事録、3940–3949 (2018)。

Lorenzo-Trueba, J. et al. あなたの声のアイデンティティをインターネットから盗むことはできますか?: Gan、Wavenet、および低品質の見つかったデータを使用したオバマの声のクローン作成に関する初期調査。 arXiv プレプリント arXiv:1803.00860 (2018)。

グッドフェロー、I.ら。生成的な敵対的ネット。上級神経情報プロセス。システム。 27、2516 (2014)。

Google スカラー

Radford, A.、Metz, L.、Chintala, S. 深い畳み込み敵対的生成ネットワークによる教師なし表現学習。 arXiv プレプリント arXiv:1511.06434 (2015)。

Lazarou、C. 敵対的生成ネットワークの自動エンコーディング。 arXiv プレプリント arXiv:2004.05472 (2020)。

Heusel、M. et al. 2 つのタイムスケール更新ルールによって訓練されたガンはナッシュ均衡に収束します。 CoRR abs/1706.08500 (2017)。

Khrulkov, V. & Oseledets, I. ジオメトリスコア: 敵対的生成ネットワークを比較する方法。 arXiv プレプリント arXiv:1802.02664 (2018)。

ソーレンセン、TA 種内容の類似性に基づいて植物社会学において振幅が等しいグループを確立する方法と、デンマークの共有地の植生分析への応用。バイオル。スカール。 5、1–34 (1948)。

Google スカラー

de Azevedo, S.、Charlin, J. & González-José, R. 石質発射体の先端形状に対する設計と低減効果の特定。 J. Archaeol. 科学。 41、297–307 (2014)。

記事 Google Scholar

He、K.、Zhang、X.、Ren、S.、Sun、J. 画像認識のための深層残差学習。コンピュータービジョンとパターン認識 (CVPR) に関する IEEE 会議にて (2016 年)。

Mirza, M. & Osindero, S. 条件付き生成敵対的ネット。 CoRR abs/1411.1784 (2014)。

チェン、Ｘら。 Infogan: 敵対的生成ネットを最大化する情報による解釈可能な表現学習。上級神経情報プロセス。システム。 29、1247 (2016)。

Google スカラー

Mariani、G.、Scheidegger、F.、Istrate、R.、Bekas、C. & Malossi、C. 動物: バランシングガンによるデータ拡張。 https://doi.org/10.48550/FILE.1803.09655 (2018)。

アザディ、S.ら。数ショットのフォントスタイル転送のためのマルチコンテンツガン。コンピュータービジョンとパターン認識 (CVPR) に関する IEEE 会議議事録 (2018 年)。

Wang, L.、シンダギ、バージニア州、パテル、VM 複数の敵対的ネットワークを使用した高品質の顔写真スケッチ合成。 2018年第13回IEEE国際会議会議オートムで。顔とジェスチャーの認識。 (FG 2018) 83–90 (2018)。

Tzeng, E.、Hoffman, J.、Saenko, K. & Darrell, T. 敵対的差別ドメイン適応。 https://doi.org/10.48550/ARXIV.1702.05464 (2017)。

Zhu, J.-Y.、Park, T.、Isola, P. & Efros, AA サイクル一貫性のある敵対的ネットワークを使用した、対になっていない画像間の変換。 2017 年のコンピュータービジョンに関する IEEE 国際会議 (ICCV)、2242 ～ 2251。 https://doi.org/10.1109/ICCV.2017.244 (2017)。

シャムソルモアリ、P. et al. 敵対的ネットワークを使用した画像合成: 包括的な調査とケーススタディ。情報フュージョン 72、126–146。 https://doi.org/10.1016/j.inffus.2021.02.014 (2021)。

記事 Google Scholar

クレスウェル、A.ら。敵対的生成ネットワーク: 概要。 IEEE 信号プロセス。マグ。 35、53–65。 https://doi.org/10.1109/MSP.2017.2765202 (2018)。

記事 ADS Google Scholar

Wang, Z.、She, Q. & Ward, TE コンピュータビジョンにおける敵対的生成ネットワーク: 調査と分類。 ACM コンピューティング。生き残る。 54、2514。DOI: https://doi.org/10.1145/3439723 (2021)。

チェン、S.ら。ユーザー誘導の敵対的生成ネットワークを使用した広東磁器画像の生成。 IEEE コンピューティング。グラフ。応用 40、100–107。 https://doi.org/10.1109/MCG.2020.3012079 (2020)。

論文 PubMed Google Scholar

Papadopoulos, S.、Dimitriou, N.、Drosou, A.、Tzovaras, D. 深い敵対的生成ネットワークを使用した時空間老化現象のモデル化。信号プロセス。画像コミュ。 94、156（2021）。

記事 Google Scholar

Liu, M.-Y.、Breuel, T. & Kautz, J. Unsupervised Image-to-Image Translation Networks、700–708 (CVPR、2017)。

Isola, P.、Zhu, J.-Y.、Zhou, T. & Efros, AA 条件付き敵対的ネットワークによる画像間の変換。コンピュータービジョンとパターン認識に関する IEEE 会議議事録、1125 ～ 1134 (2017)。

Wang, H.、He, Z.、Huang, Y.、Chen, D. & Zhou, Z. 菩薩の頭部画像は、深い畳み込みネットワークに基づいて大足岩彫刻のスタイル認識をモデリングします。 J.カルト。ヘリット。 27、60–71。 https://doi.org/10.1016/j.culher.2017.03.006 (2017)。

記事 Google Scholar

Zachariou, M.、Dimitriou, N. & Arandjelovic, O. サイクル一貫性のある敵対的生成ネットワークを使用した古代コインの視覚的再構成。サイエンス 2、124。https://doi.org/10.3390/sci2030052 (2020)。

記事 Google Scholar

Hermoza, R. & Sipiran, I. 敵対的生成ネットワークを使用した不完全な考古学的オブジェクトの 3D 再構成。コンピュータグラフィックスインターナショナル 2018 年度議事録、5 ～ 11 (ACM、2018)。

Kniaz, VV、Remondino, F. & Knyaz, VA 単一写真の 3D 再構成のための敵対的生成ネットワーク。 ISPRS Annals of the Photogrammetry、Remote Sensing and Spatial Information Sciences、vol. 42、403–408 (2019)。

Jboor, N.、Belhi, A.、Al-Ali, A.、Bouras, A. & Jaoua, A. 視覚文化遺産の修復枠組みに向けて。 IEEE ヨルダン電気工学および情報技術に関する国際共同会議 (JEEIT)、602–607。 https://doi.org/10.1109/JEEIT.2019.8717470 (ヨルダン、アンマン、2019)。

ええ、R.ら。深い生成モデルを使用したセマンティックイメージの修復。コンピュータービジョンとパターン認識に関する IEEE 会議議事録、5485–5493 (2017)。

Kingma、DP、Ba、JL Adam: 確率的最適化の手法。内部。会議学ぶ上で。代表する。 2015 1 ～ 15 (2015)。 1412.6980。

サリマンズ、T.ら。ガンを訓練するための技術が改善されました。上級神経情報プロセス。システム。 29（2016）。

Nunn, EJ、Khadivi, P. & Samavi, S. ガンで作成された画像の品質評価のための複合フレシェ開始距離。 arXiv プレプリント arXiv:2106.08575 (2021)。

Szegedy, C.、Vanhoucke, V.、Ioffe, S.、Shlens, J. & Wojna, Z. コンピュータービジョンの初期アーキテクチャの再考。コンピュータービジョンとパターン認識に関する IEEE 会議議事録、2818 ～ 2826 (2016)。

カラス、T. et al. stylegan の画質を解析して改善します。コンピュータービジョンとパターン認識に関する IEEE/CVF 会議議事録、8110–8119 (2020)。

Feng、Y.ら。 MR-IGRT におけるターゲット追跡のための自動画像セグメンテーションアルゴリズムの比較研究。Ｊ．Ａｐｐｌ．クリン。医学。物理学。 17、441–460 (2016)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、助成金 UJA-1381115 および UJA-1265116 に基づく運用プログラム FEDER アンダルシア 2014-2020 研究プロジェクト、情報通信技術高等研究センター (CEATIC) およびイベリア考古学研究大学研究所を通じて欧州連合によって支援されました。ハエン大学の博士。

パタゴニア社会人間科学研究所、パタゴニア国立センター、CONICET、Bv. Almirante Brown 2915, 9120, プエルトマドリン, PC, アルゼンチン

パブロ・ナバロ & ロランド・ゴンサレス＝ホセ

パタゴニア国立大学サンファンボスコ工学部情報学部（DIT）、Mitre 665、9100、Trelew Chubut、PC、アルゼンチン

パブロ・ナバロ

IBM Research Africa、東アフリカ・カトリック大学キャンパス、Bogani E Rd、ナイロビ、00200、PC、ケニア

セリア・チンタス

ハエン大学コンピュータサイエンス学部、キャンパスラスラグニージャス s/n、23071、ハエン、PC、スペイン

マヌエル・ルセナ、ホセ・マヌエル・フエルテス、ラファエル・セグラ

研究大学イベリア考古学研究所、ハエン大学、キャンパスラスラグニージャス s/n、23071、ハエン、PC、スペイン

マヌエル・ルセナ、ホセ・マヌエル・フエルテス、ラファエル・セグラ

国立デル・スル大学電気・コンピュータ工学科、および CONICET、San Andre's 800、Campus Palihue、8000、Bahía Blanca、PC、Argentina

クラウディオ・デルリュー

PubMed Google Scholar でこの著者を検索することもできます

PN、CC、ML、JMF、RS、CD、RG-J。計画された研究。 PN、CC、ML、JMF が調査を実施しました。 PN、CC、ML、JMF、CD、RG-J。分析されたデータ。 PN、CC、ML、JMF、CD、RG-J。論文を書きました。

ロランド・ゴンサレス＝ホセへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Navarro、P.、Cintas、C.、Lucena、M. 他。敵対的生成ネットワークを使用したイベリア陶器の復元。 Sci Rep 12、10644 (2022)。 https://doi.org/10.1038/s41598-022-14910-7

引用をダウンロード

受信日: 2022 年 2 月 9 日

受理日: 2022 年 6 月 14 日

公開日: 2022 年 6 月 23 日

DOI: https://doi.org/10.1038/s41598-022-14910-7

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

前: オプラのお気に入りのもの 2022: ベストファッション、ビューティー、テクノロジー、キッズギフト次: 染色、仕上げ手順、人工老化後の部分安定化モノリシックジルコニアの半透明性と機械的挙動

お問い合わせを送信

送信