图 : SliceGAN 的框架图。左侧是从真实二维样本中随机采样得到的训练数据，右侧是从生成的三维结构切片后随机采样的模拟数据。中间的判别器负责区分这两类样本，确保生成的三维结构尽可能接近真实材料的微观特征。
如图 所示，SliceGAN 的学习过程主要包括以下三个步骤：
- 正样本采集：从真实的二维图像中随机采样小区域（左），作为判别器的正样本。
- 负样本生成：让生成器构造出三维结构，并对其进行切片（右），再从切片中随机采样小区域作为判别器的负样本。
- 对抗训练：训练判别器，使其能够区分正负样本；同时训练生成器，使其生成的三维结构切片越来越接近真实的二维图像。
图 **:**SliceGAN 的实验结果
图 展示了 SliceGAN 在不同材料结构上的应用效果。每一行代表一种材料：第一列是真实的二维图像，第二列是由 SliceGAN 重构的三维结构，后几列是从 SliceGAN 重构的三维结构中切片得到的二维图像。可以看到，SliceGAN 生成的二维切片与真实材料的切片在纹理上高度相似，说明该模型可以较为准确地重构材料的微观结构。值得注意的是，如果某种材料的微观结构在不同方向上表现出异质性（即不同方向的结构不完全相同），那么在训练时就需要从多个角度进行扫描，例如图 40.9中的 C、D 行就展示了这种情况。