研究人员查尔斯大学的 计算机图形学集团（CGG）已经开发出一种机器学习（ML）为基础的技术，可以帮助解锁高保真彩色三维打印的潜力。

通过不断模拟打印过程，该团队成功地训练了一种算法，以迭代地找到限制颜色渗色和提高零件精度的最佳参数。该程序也非常高效，只需要一个 GPU，使其比类似的 AI 方法快 300 倍，同时将打印准备时间从几十小时减少到几分钟。

       彩色3D打印的速度限制

　　目前，许多材料喷射 (MJ) 3D 打印机能够生产具有复杂颜色变化的零件，因此它们通常用于重建高度详细的人工制品和手术模型。为了实现这一点，传统的 MJ 系统使用紫外线来精确固化半透明基色树脂的不同混合物，这种减色混合过程为它们提供了相当广泛的调色板。

然而，尽管彩色 3D 打印具有灵活性，但它可能会导致不需要的光学散射，从而影响任何生成部件的清晰度和准确性。鉴于这种渗色是三维的，当它发生时，它还会影响薄壁物体内相对侧的颜色，使其成为大规模精确生产的重大障碍。

　　早在 2017 年，研究人员就证明了使用模拟来优化打印过程中材料放置的可行性，从而确保部件的最佳清晰度和对比度。现在，基于数百万次测试运行，该团队创建了一种改进的算法，能够更准确地预测给定表面如何受到周围材料的影响，从而加快整个过程。

另一种光散射模型

　　传统上，预测紫外线传播的方向涉及使用所谓的“蒙特卡罗”（MC）模拟模型。尽管此类方法通常很有效，但它们可能需要数小时才能完成，即使使用高端系统来生产非常小的物体，也会造成瓶颈，从而阻止复杂彩色零件的可扩展生产。

　　为了解决这个问题，研究人员采用了一种数据驱动的方法，在该方法中，他们使用深度神经网络来模拟减少样本数量的产生，但代价是结果差异更大。尽管该团队的改进循环导致了一些较低质量的预测，但对参考对象进行建模只需要 30 个小时，远少于 MC 驱动软件预计的 3,000 多个小时。

　　还发现修改后的算法在基本形状和复杂几何形状之间比现有程序更好地泛化，可能使其成为进行更广泛的 3D 打印准备的理想选择。更重要的是，在单 GPU 工作站上进行测试时，团队的软件运行速度是以前的两倍，避免了组装以前执行 ML 任务所需的计算机集群的需要。

　　事实上，与现有的 MJ 3D 打印工作流程相比，研究人员的速度提高了 300 倍，所得到的样本的质量水平与传统模型相似，颜色“更清晰”，尽管他们的设置最终确实执行了创建薄壁对象时效果较差。

　　研究人员在他们的论文中总结道：“[我们的] 3D 打印管道在质量上与以前的工作相匹配，同时通常快 100 到 300 倍。” “尽管任何数据驱动模型的通用性有限，但该网络可以很好地泛化到看不见的几何形状和材料值。这种稳健性为我们的实际部署提供了解决方案。”