論文の概要: Machine learning refinement of in situ images acquired by low electron dose LC-TEM

• arxiv url: http://arxiv.org/abs/2310.20279v1
• Date: Tue, 31 Oct 2023 08:48:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 15:58:35.139673
• Title: Machine learning refinement of in situ images acquired by low electron dose LC-TEM
• Title（参考訳）: 低電子線量LC-TEMによるIn situ画像の機械学習による精細化
• Authors: Hiroyasu Katsuno, Yuki Kimura, Tomoya Yamazaki and Ichigaku Takigawa
• Abstract要約: 液晶透過電子顕微鏡(LC-TEM)を用いたその場観察で得られた画像の精細化のための機械学習(ML)技術について検討した。 本モデルは,U-NetアーキテクチャとResNetエンコーダを用いて構築されている。
• 参考スコア（独自算出の注目度）: 0.9421843976231371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study a machine learning (ML) technique for refining images acquired during in situ observation using liquid-cell transmission electron microscopy (LC-TEM). Our model is constructed using a U-Net architecture and a ResNet encoder. For training our ML model, we prepared an original image dataset that contained pairs of images of samples acquired with and without a solution present. The former images were used as noisy images and the latter images were used as corresponding ground truth images. The number of pairs of image sets was $1,204$ and the image sets included images acquired at several different magnifications and electron doses. The trained model converted a noisy image into a clear image. The time necessary for the conversion was on the order of 10ms, and we applied the model to in situ observations using the software Gatan DigitalMicrograph (DM). Even if a nanoparticle was not visible in a view window in the DM software because of the low electron dose, it was visible in a successive refined image generated by our ML model.
• Abstract（参考訳）: 液晶透過電子顕微鏡(LC-TEM)を用いたその場観察で得られた画像の精細化のための機械学習(ML)技術について検討した。 本モデルはu-netアーキテクチャとresnetエンコーダを用いて構築する。 MLモデルをトレーニングするために、ソリューションなしで得られたサンプルのペアのイメージを含む、オリジナルのイメージデータセットを作成しました。 従来の画像はノイズの多い画像として使用し、後者は対応する真理の画像として使用した。 画像セットのペア数は1,204ドルで、画像セットにはいくつかの異なる倍率と電子線量で取得された画像が含まれている。 訓練されたモデルは、ノイズの多い画像をクリアなイメージに変換しました。 変換に要する時間は10msのオーダーであり,ソフトウェアgatan digital micrograph (dm) を用いたその場観察に適用した。 ナノ粒子が低電子線量のためDMソフトのビューウインドウでは見えなかったとしても,MLモデルにより連続した精細化画像で見ることができた。

関連論文リスト

• ZoomLDM: Latent Diffusion Model for multi-scale image generation [57.639937071834986]
  複数のスケールで画像を生成するための拡散モデルZoomLDMを提案する。 我々のアプローチの中心は、自己教師あり学習(SSL)埋め込みを利用した、新たな拡大対応条件付け機構である。 ZoomLDMは、すべてのスケールにわたる最先端の画像生成品質を実現し、大きな画像全体のサムネイルを生成するデータスカース設定に優れています。
  論文  参考訳（メタデータ） (2024-11-25T22:39:22Z)
• Image-GS: Content-Adaptive Image Representation via 2D Gaussians [55.15950594752051]
  本稿では,コンテンツ適応型画像表現であるImage-GSを提案する。 異方性2Dガウスアンをベースとして、Image-GSは高いメモリ効率を示し、高速なランダムアクセスをサポートし、自然なレベルのディテールスタックを提供する。 画像-GSの一般的な効率性と忠実性は、最近のニューラルイメージ表現と業界標準テクスチャ圧縮機に対して検証される。 この研究は、機械認識、アセットストリーミング、コンテンツ生成など、適応的な品質とリソース制御を必要とする新しいアプリケーションを開発するための洞察を与えてくれることを願っている。
  論文  参考訳（メタデータ） (2024-07-02T00:45:21Z)
• From Image to UML: First Results of Image Based UML Diagram Generation Using LLMs [1.961305559606562]
  ソフトウェア工学のプロセスでは、システムはまずモデリング言語を使って指定される。 大規模言語モデル(LLM)は、与えられた図面からUMLモデルの形式表現を生成するために使用される。 より具体的には、クラス図の画像を画像に表される実際のモデルに変換するための異なるLCMの能力を評価した。
  論文  参考訳（メタデータ） (2024-04-17T13:33:11Z)
• Many-to-many Image Generation with Auto-regressive Diffusion Models [59.5041405824704]
  本稿では,与えられた画像集合から関連画像系列を生成可能な多対多画像生成のためのドメイン汎用フレームワークを提案する。 我々は,25個の相互接続された画像を含む12Mの合成マルチイメージサンプルを含む,新しい大規模マルチイメージデータセットMISを提案する。 我々はM2Mを学習し、M2Mは多対多生成のための自己回帰モデルであり、各画像は拡散フレームワーク内でモデル化される。
  論文  参考訳（メタデータ） (2024-04-03T23:20:40Z)
• Using a Conditional Generative Adversarial Network to Control the Statistical Characteristics of Generated Images for IACT Data Analysis [55.41644538483948]
  画像のプロパティの値に応じて、画像を複数のクラスに分割し、新しい画像を生成する際に必要なクラスを指定する。 大気圧チェレンコフ望遠鏡(IACT)の画像の場合、重要な点は全画像ピクセル(画像サイズ)の明るさである。 我々は,TAIGA-IACT実験で得られた画像と類似した画像を生成するために,cGAN技術を使用した。
  論文  参考訳（メタデータ） (2022-11-28T22:30:33Z)
• Self-supervised machine learning model for analysis of nanowire morphologies from transmission electron microscopy images [0.0]
  本稿では,少数のラベル付き顕微鏡画像を用いた自己教師ありトランスファー学習手法を提案する。 具体的には、ラベルのない画像で画像エンコーダを訓練し、そのエンコーダを用いて異なる下流画像タスクの変換学習を行う。
  論文  参考訳（メタデータ） (2022-03-25T19:32:03Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• Exploring Generative Adversarial Networks for Image-to-Image Translation in STEM Simulation [0.0]
  畳み込み法により生成されたSTEM画像を高精度なマルチスライス画像の予測に変換しようとする深層学習モデルについて検討する。 ディープラーニングモデルであるGenerative Adrial Network(GAN)を使用することで、最適な結果が得られ、同一データセット上の従来の回帰モデルと同等の精度で処理できることがわかった。
  論文  参考訳（メタデータ） (2020-10-29T02:14:57Z)
• Encoder-decoder semantic segmentation models for electroluminescence images of thin-film photovoltaic modules [2.2749157557381245]
  エンコーダ・デコーダ深層ニューラルネットワークアーキテクチャを用いて薄膜モジュールのEL画像のセマンティックセグメンテーションを行う。 これらのネットワークは、Indium Gallium Diselenide(CIGS)薄膜モジュールの6000 EL画像を持つデータベースからのサンプル画像に基づいて、トレーニングされ、テストされる。
  論文  参考訳（メタデータ） (2020-10-15T07:09:16Z)
• Locally Masked Convolution for Autoregressive Models [107.4635841204146]
  LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。 我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-22T17:59:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。