論文の概要: Machine Learning-Based Reward-Driven Tuning of Scanning Probe Microscopy: Towards Fully Automated Microscopy

• arxiv url: http://arxiv.org/abs/2408.04055v1
• Date: Wed, 7 Aug 2024 19:34:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-09 17:20:07.281506
• Title: Machine Learning-Based Reward-Driven Tuning of Scanning Probe Microscopy: Towards Fully Automated Microscopy
• Title（参考訳）: 機械学習による走査型プローブ顕微鏡の逆方向チューニング:全自動顕微鏡に向けて
• Authors: Yu Liu, Roger Proksch, Jason Bemis, Utkarsh Pratiush, Astita Dubey, Mahshid Ahmadi, Reece Emery, Philip D. Rack, Yu-Chen Liu, Jan-Chi Yang, Sergei V. Kalinin,
• Abstract要約: タップモードにおけるプローブ顕微鏡(SPM)の最適化を自動化するための報奨駆動ワークフローを提案する。 報酬関数は、良質なスキャンの物理的および経験的な知識を符号化した複数のチャネルに基づいて定義され、画像品質のサンプルに依存しない尺度を表す。
• 参考スコア（独自算出の注目度）: 4.595863595869587
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Since the dawn of scanning probe microscopy (SPM), tapping or intermittent contact mode has been one of the most widely used imaging modes. Manual optimization of tapping mode not only takes a lot of instrument and operator time, but also often leads to frequent probe and sample damage, poor image quality and reproducibility issues for new types of samples or inexperienced users. Despite wide use, optimization of tapping mode imaging is an extremely hard problem, ill-suited to either classical control methods or machine learning. Here we introduce a reward-driven workflow to automate the optimization of SPM in the tapping mode. The reward function is defined based on multiple channels with physical and empirical knowledge of good scans encoded, representing a sample-agnostic measure of image quality and imitating the decision-making logic employed by human operators. This automated workflow gives optimal scanning parameters for different probes and samples and gives high-quality SPM images consistently in the attractive mode. This study broadens the application and accessibility of SPM and opens the door for fully automated SPM.
• Abstract（参考訳）: 走査型プローブ顕微鏡(SPM)の登場以来、タッピングまたは断続的な接触モードは最も広く使われているイメージングモードの1つである。 タッピングモードのマニュアル最適化は、多くの楽器とオペレーター時間を必要とするだけでなく、しばしば調査やサンプルの損傷、画像の品質の低下、新しいタイプのサンプルや経験の浅いユーザに対する再現性の問題を引き起こす。 広く使われているにもかかわらず、タップモードイメージングの最適化は非常に難しい問題であり、古典的な制御方法や機械学習には適していない。 ここでは、タッピングモードにおけるSPMの最適化を自動化するための報酬駆動ワークフローを紹介する。 報酬関数は、良質なスキャンの物理的および経験的な知識を符号化した複数のチャネルに基づいて定義され、画像品質のサンプルに依存しない尺度を示し、人間のオペレーターが採用する意思決定ロジックを模倣する。 この自動ワークフローは、異なるプローブやサンプルに対して最適な走査パラメータを提供し、高品質のSPM画像を常に魅力的なモードで提供する。 本研究は、SPMの適用範囲とアクセシビリティを拡大し、完全に自動化されたSPMの扉を開く。

関連論文リスト

• Unsupervised Reward-Driven Image Segmentation in Automated Scanning Transmission Electron Microscopy Experiments [0.22795086293129713]
  走査透過電子顕微鏡(STEM)における自動実験は、人間の解釈、意思決定、サイト選択分光法、原子操作のためのデータ表現を最適化するために、高速な画像分割を必要とする。 本稿では,STEMにおけるオンザフライ画像解析のための報酬駆動最適化ワークフローの運用とベンチマークを行う。 この教師なしのアプローチは、人間のラベルに依存しておらず、完全に説明可能であるため、はるかに堅牢である。
  論文  参考訳（メタデータ） (2024-09-19T04:51:13Z)
• Learning Task-Specific Sampling Strategy for Sparse-View CT Reconstruction [17.275105936699074]
  Sparse-View Computed Tomography (SVCT) は低線量で高速な画像撮影を提供するが、深刻なアーティファクトに悩まされている。 現在の手法は、通常、あらゆる種類のスキャンに対して普遍的なサンプリング戦略を最適化し、最適戦略が特定のスキャンタスクによって異なるという事実を見越す。 本稿では,タスク固有のサンプリング戦略をマルチタスクアプローチで学習し,統合再構築ネットワークを訓練するディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-03T02:26:11Z)
• Align Your Steps: Optimizing Sampling Schedules in Diffusion Models [63.927438959502226]
  拡散モデル(DM)は、視覚領域以降における最先端の生成モデリングアプローチとして確立されている。 DMの重大な欠点は、サンプリング速度の遅いことであり、大規模なニューラルネットワークによる多くのシーケンシャルな関数評価に依存している。 本稿では,DMのサンプリングスケジュールを高品質な出力に最適化する汎用的,原理的な手法を提案する。
  論文  参考訳（メタデータ） (2024-04-22T18:18:41Z)
• Accelerating Diffusion Sampling with Optimized Time Steps [69.21208434350567]
  拡散確率モデル(DPM)は高分解能画像合成において顕著な性能を示した。 彼らのサンプリング効率は、通常多くのサンプリングステップのため、依然として望まれている。 DPM用高次数値ODEソルバの最近の進歩により、サンプリングステップがはるかに少ない高品質な画像の生成が可能になった。
  論文  参考訳（メタデータ） (2024-02-27T10:13:30Z)
• Super-Resolution on Rotationally Scanned Photoacoustic Microscopy Images Incorporating Scanning Prior [12.947842858489516]
  光音響顕微鏡(PAM)画像は、光コントラストと音響分解能の利点を組み合わせた脳研究で広く利用されている。 走査速度と画像解像度の間にはトレードオフがあり、従来の走査と比較すると、回転走査は走査機構を最適化することで高速なPAMイメージングの好機となる。 本研究では,回転走査型PAMイメージングのための新しい高性能超解像フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-12T12:41:35Z)
• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• CDPMSR: Conditional Diffusion Probabilistic Models for Single Image Super-Resolution [91.56337748920662]
  拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。 単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。 本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
  論文  参考訳（メタデータ） (2023-02-14T15:13:33Z)
• Toward Real-World Super-Resolution via Adaptive Downsampling Models [58.38683820192415]
  本研究では,制約のある事前知識を伴わずに未知のサンプル処理をシミュレートする手法を提案する。 対の例を使わずに対象LR画像の分布を模倣する汎用化可能な低周波損失(LFL)を提案する。
  論文  参考訳（メタデータ） (2021-09-08T06:00:32Z)
• Photoacoustic Microscopy with Sparse Data Enabled by Convolutional Neural Networks for Fast Imaging [0.9786690381850356]
  光音響顕微鏡(PAM)は近年,バイオメディカルイメージング技術として期待されている。 サンプリング密度の低減は、画像品質の犠牲となる画像取得時間を自然に短縮することができる。 本稿では,畳み込みニューラルネットワーク(CNN)を用いたスパースPAM画像の品質向上手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T05:49:32Z)

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。