Hochwertige Farb- und Erscheinungswiedergabe durch mehrfarbigen 3D-Druck mittels Multi-Material-Jetting findet zunehmend Anwendung, unter anderem in der Erhaltung von Kunst- und Kulturgütern, der Produktprototypenentwicklung, der Herstellung von Figuren für Stop-Motion-Animationsfilme und der Produktion von 3D-gedruckten Prothesen wie Zahnersatz oder Augenprothesen.

Um eine hochwertige Erscheinungswiedergabe mittels vollfarbigem 3D-Druck zu erreichen, ist ein genaues optisches Druckermodell erforderlich. Dieses Modell stellt eine Vorhersagefunktion dar, die von der Anordnung oder dem Verhältnis der Druckmaterialien zu den optischen/visuellen Eigenschaften (z. B. spektrale Reflexion, Farbe und Transluzenz) des gedruckten Objekts abhängt. Für die Erscheinungswiedergabe muss das Modell invertiert werden, um die Anordnung der Druckmaterialien zu bestimmen, die bestimmte optische/visuelle Eigenschaften wie Farbe reproduziert. Daher spielt die Genauigkeit der optischen Druckermodelle eine entscheidende Rolle für die Qualität des endgültigen Drucks. Der Vorgang, die Parameter eines optischen Druckermodells für ein Drucksystem anzupassen, wird als optische Charakterisierung bezeichnet und erfordert Testdrucke und optische Messungen. Das Ziel der Entwicklung eines Druckermodells besteht darin, die Vorhersageleistung wie Genauigkeit zu maximieren und gleichzeitig den Aufwand für die optische Charakterisierung, einschließlich Drucken, Nachbearbeitung und Messung, zu minimieren.

In dieser Arbeit zielt ich darauf ab, Deep Learning einzusetzen, um ganzheitlich leistungsstarke optische Druckermodelle zu erreichen, und zwar in Bezug auf drei verschiedene Leistungsaspekte von optischen Druckermodellen: 1) Genauigkeit, 2) Robustheit und 3) Dateneffizienz.

Erstens schlagen wir zwei Deep Learning-basierte Druckermodelle vor, die beide hohe Genauigkeiten mit nur einer moderaten Anzahl von benötigten Trainingssamples erreichen.

Zweitens schlagen wir eine Methodik vor, um physikalisch plausible Einschränkungen und Glätte in Deep Learning-basierte optische Druckermodelle einzuführen.

Schließlich schlagen wir einen Lernrahmen vor, der die Dateneffizienz von Druckermodellen erheblich verbessert, indem vorhandene Charakterisierungsdaten aus anderen Druckern verwendet werden. Wir schlagen auch einen lernbasierten Ansatz zur Kontrastierung vor, um Datensatzeinbettungen zu erlernen, die zusätzliche Eingaben sind, die vom zuvor genannten Lernrahmen benötigt werden.

Mit diesen vorgeschlagenen Deep Learning-basierten Methoden, die die drei Leistungsaspekte (d. h. Genauigkeit, Robustheit und Dateneffizienz) signifikant verbessern, kann ein ganzheitlich leistungsstarkes optisches Druckermodell erreicht werden, was insbesondere für anwendungen mit hoher Farbgenauigkeit und Transluzenz wie Zahnersatz oder Augenprothesen wichtig ist.