对称感知的晶体取向图超分辨率：基于不变潜空间学习
Symmetry-aware super-resolution of crystal orientation maps via invariant latent-space learning
浏览论文内容
中文总结 AI 辅助
针对EBSD晶体取向图超分辨率，提出对称群感知注意力网络SG-SRAN，通过不变潜空间学习保持晶界，以极少参数匹配大模型性能并实现零样本迁移。
中文摘要 AI 辅助
晶体取向图是仅在晶体对称性意义下定义的物理场；电子背散射衍射（EBSD）在实验上解析这些图，但采集时间的限制制约了空间分辨率。与传统图像不同，EBSD数据位于商空间$\mathrm{SO}(3)/G$上，其中$G$是晶体对称群。因此，标准欧几里得插值可能混合对称等价表示并模糊晶界。我们提出了对称群感知超分辨率注意力网络（SG-SRAN），其设计上融入了晶体对称性和边界保持。一个冻结的局部等距编码器将等价取向映射到共同的潜表示，在该表示中欧几里得距离近似于取向差。超分辨率在此空间中进行，每个高分辨率token被限制在特征一致的局部支撑内以防止跨边界混合。基于字典的解码器随后恢复有效的取向。在FCC和HCP基准测试中，SG-SRAN仅使用27-49k个可训练参数即匹配1500-1600万参数骨干网络的性能，同时实现了最低的p68误差、最高的反极图保真度，以及对未见合金的零样本迁移。
英文摘要
Crystal-orientation maps are physical fields defined only up to crystal symmetry; electron backscatter diffraction (EBSD) resolves them experimentally, but acquisition-time constraints limit spatial resolution. Unlike conventional images, EBSD data lie on the quotient space $\mathrm{SO}(3)/G$, where $G$ is the crystal-symmetry group. Standard Euclidean interpolation can therefore mix symmetry-equivalent representations and blur grain boundaries. We introduce the Symmetry-Group-Aware Super-Resolution Attention Network (SG-SRAN), which incorporates crystal symmetry and boundary preservation by design. A frozen, locally isometric encoder maps equivalent orientations to a common latent representation in which Euclidean distance approximates misorientation. Super-resolution is performed in this space, with each high-resolution token restricted to a feature-consistent local support to prevent cross-boundary mixing. A dictionary-based decoder then recovers valid orientations. Across FCC and HCP benchmarks, SG-SRAN matches 15-16 million parameter backbones using only 27-49k trainable parameters, while achieving the lowest p68 errors, highest inverse-pole-figure fidelity, and zero-shot transfer to unseen alloys.
发表机构
- University of California Santa Barbara（加州大学圣塔芭芭拉分校）
机构由 AI 辅助整理，请以论文原文为准。
