Denis Sumin kam 2016 als Doktorand für Informatik zum MPI-INF und zur Universität des Saarlandes, sein Betreuer war Karol Myszkowski. Er wurde an der Universität des Saarlandes promoviert.
Abstrakt seiner Dissertation:
In dieser Dissertation befassen wir uns mit mehreren schwerwiegenden Komplikationen im Bereich der hochpräzisen Reproduktion vom Aussehen von Materialien. Trotz merklicher Fortschritte im Vollfarb-3D-Druck bleibt die Reproduktion vieler Erscheinungen aufgrund der inhärenten Transluzenz und Streueigenschaften der häufig verwendeten Druckmaterialien bisher ungelöst. Diese Arbeit entwickelt ein umfassendes Vorbereitungssystem für den 3D-Druck, das speziell auf 3D-Mehrmaterial-Tintenstrahldrucker zugeschnitten ist und das Ziel hat, diese Schwierigkeiten zu überwinden.
Unsere Arbeit beginnt mit dem Aufzeigen der Grenzen aktueller Methoden, die oft zu verschwommenen Details und Farbverläufen aufgrund von Streuung unterhalb der Oberfläche führen. Wir stellen einen innovativen iterativen Optimierungsansatz vor, der die volumetrische Anordnung der Druckmaterialien verfeinert um diesen Effekten entgegenzuwirken und eine klare und genaue Farbwiedergabe auch in hochtransluzenten Medien zu ermöglichen.
Zur Validierung unserer Methode verwenden wir eine allgemeine Monte-Carlo-Simulation für den Lichttransport, die durch ein praktisches Kalibrierungsverfahren zur Ermittlung der Streuparameter der Druckmaterialien unterstützt wird. Trotz der inhärenten Transluzenz des Mediums zeigen Objekte, die mit unserem System gefertigt wurden, höhere Detailgenauigkeit und bessere Farbtreue im Vergleich zu den nativen Farbtexturierungsmodi kommerzieller Drucker. Der Ansatz ist auf allgemeine 3D-Geometrien anwendbar und bewältigt sogar die Hürde dünner Strukturen, bei denen die Materialtransluzenz und der begrenzte Materialauftrag die genaue Reproduktion weiter erschweren.
Wir schlagen einen datenbasierten Ansatz unter Verwendung tiefer neuronaler Netzwerke vor, um die Lichtstreuung in heterogenen Materialien vorherzusagen. Diese Methode bietet eine erhebliche Beschleunigung und ist etwa zwei Größenordnungen schneller als herkömmliche Monte-Carlo-Simulationen, während sie gleichzeitig hochwertige Optimierungsergebnisse beibehält. Dieser Durchbruch ermöglicht eine vollständige heterogene Materialoptimierung in praktikablen Zeitrahmen, sogar während des 3D-Drucks.
Darüber hinaus bewerten wir bestehende Bildqualitätsmetriken in ihrer Anwendung auf Lichtfeldbilder, um zukünftige Arbeiten zur Herstellung von winklig und räumlich variierenden Erscheinungen zu unterstützen. Wir entwickeln einen neuen dichten Lichtfeld-Datensatz und leiten per menschlicher Wahrnehmung eine Qualitätsskalierung ab, die typische Bildfehler der Lichtfeldverarbeitung adressiert. Unsere Bewertung der bestehenden Qualitätsmetriken zeigt die Notwendigkeit lichtfeldspezifischer Metriken, um die wahrgenommene Qualität in komplexen Aufgaben besser vorherzusagen; der hier entwickelte Datensatz wird die zukünftige Entwicklung dieser Metriken unterstützen.