論文の概要: CNN-based TEM image denoising from first principles

• arxiv url: http://arxiv.org/abs/2501.11225v1
• Date: Mon, 20 Jan 2025 02:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:20:07.908392
• Title: CNN-based TEM image denoising from first principles
• Title（参考訳）: 第一原理に基づくCNNに基づくTEM画像
• Authors: Jinwoong Chae, Sungwook Hong, Sungkyu Kim, Sungroh Yoon, Gunn Kim,
• Abstract要約: 我々は密度汎関数理論計算を用いて高精度な地上真実画像を生成する。 それぞれのノイズは、別々の畳み込みニューラルネットワーク(CNN)モデルをトレーニングするために使用される。 これらのCNNは、ノイズレベルが異なる画像に適用しても、ノイズを低減するのに効果的である。
• 参考スコア（独自算出の注目度）: 28.69364413383459
• License:
• Abstract: Transmission electron microscope (TEM) images are often corrupted by noise, hindering their interpretation. To address this issue, we propose a deep learning-based approach using simulated images. Using density functional theory calculations with a set of pseudo-atomic orbital basis sets, we generate highly accurate ground truth images. We introduce four types of noise into these simulations to create realistic training datasets. Each type of noise is then used to train a separate convolutional neural network (CNN) model. Our results show that these CNNs are effective in reducing noise, even when applied to images with different noise levels than those used during training. However, we observe limitations in some cases, particularly in preserving the integrity of circular shapes and avoiding visible artifacts between image patches. To overcome these challenges, we propose alternative training strategies and future research directions. This study provides a valuable framework for training deep learning models for TEM image denoising.
• Abstract（参考訳）: 透過電子顕微鏡(TEM)画像は、しばしばノイズによって劣化し、解釈を妨げている。 この問題に対処するために,シミュレーション画像を用いた深層学習手法を提案する。 擬似原子軌道基底集合を用いた密度汎関数理論計算を用いて,高精度な基底真理画像を生成する。 これらのシミュレーションに4種類のノイズを導入し、リアルなトレーニングデータセットを作成します。 それぞれのノイズは、別々の畳み込みニューラルネットワーク(CNN)モデルをトレーニングするために使用される。 以上の結果から,これらのCNNは,トレーニング中と異なる雑音レベルの画像に適用しても,ノイズ低減に有効であることが示唆された。 しかし,いくつかのケースでは,特に円形形状の整合性を保ち,画像パッチ間の目に見えるアーティファクトを避けるために,制限を観察する。 これらの課題を克服するため、我々は代替トレーニング戦略と今後の研究方向性を提案する。 本研究は、TEM画像復調のためのディープラーニングモデルをトレーニングするための貴重なフレームワークを提供する。

関連論文リスト

• Self-Calibrated Variance-Stabilizing Transformations for Real-World Image Denoising [19.08732222562782]
  教師付き深層学習が画像認知のための選択方法となっている。 一般の信条とは対照的に,ガウスノイズ除去に特化するネットワークを有効活用し,実世界の画像復調に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-24T16:23:46Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Adaptive Denoising via GainTuning [17.72738152112575]
  画像復調のためのディープ畳み込みニューラルネットワーク(CNN)は通常、大規模なデータセットでトレーニングされる。 本稿では,大規模データセット上で事前学習したCNNモデルを,個々のテスト画像に対して適応的かつ選択的に調整する「GainTuning」を提案する。 GainTuningは、標準的な画像デノゲティングベンチマークで最先端のCNNを改善し、ホールドアウトテストセットのほぼすべての画像上でのデノゲティング性能を向上させる。
  論文  参考訳（メタデータ） (2021-07-27T13:35:48Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Deep Denoising For Scientific Discovery: A Case Study In Electron Microscopy [22.566600256820646]
  本稿では,シミュレーションに基づくDenoising(SBD)フレームワークを提案し,シミュレーション画像に基づいてCNNを訓練する。 SBDは、シミュレーションされたベンチマークデータセットと実際のデータにおいて、既存のテクニックを幅広いマージンで上回る。 TEM画像の最初の公開ベンチマークデータセットをリリースし、18,000のサンプルを含む。
  論文  参考訳（メタデータ） (2020-10-24T19:59:28Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral Analysis [23.11994688706024]
  本稿では,複数のノイズで劣化した画像を1つのモデルで復元する離散ウェーブレットデノイズCNN(WDnCNN)を提案する。 この問題に対処するために、周波数スペクトルの異なる部分から係数を正規化するバンド正規化モジュール(BNM)を提案する。 提案したWDnCNNを評価し,他の最先端のデノイザと比較した。
  論文  参考訳（メタデータ） (2020-06-28T05:25:50Z)
• Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
  Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。 そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。 シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
  論文  参考訳（メタデータ） (2020-01-31T12:50:24Z)
• Deep Learning on Image Denoising: An overview [92.07378559622889]
  画像認知におけるディープテクニックの比較研究を行っている。 まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。 次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
  論文  参考訳（メタデータ） (2019-12-31T05:03:57Z)

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。