論文の概要: Noise Calibration and Spatial-Frequency Interactive Network for STEM Image Enhancement

• arxiv url: http://arxiv.org/abs/2504.02555v1
• Date: Thu, 03 Apr 2025 13:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:56:20.109106
• Title: Noise Calibration and Spatial-Frequency Interactive Network for STEM Image Enhancement
• Title（参考訳）: STEM画像強調のためのノイズ校正と空間周波数対話ネットワーク
• Authors: Hesong Li, Ziqi Wu, Ruiwen Shao, Tao Zhang, Ying Fu,
• Abstract要約: 本稿では,STEM画像のノイズキャリブレーション,データ合成,拡張手法について述べる。 まず,よりリアルなSTEM画像の合成に用いるSTEMノイズキャリブレーション法を提案する。 次に、これらのパラメータを用いて、通常の原子配列とランダムな原子配列の両方を考慮したより一般的なデータセットを開発する。 最後に,STEM画像強調のための空間周波数対話型ネットワークを設計し,原子配列の周期性によって形成される周波数領域の情報を探索する。
• 参考スコア（独自算出の注目度）: 8.497362811837627
• License:
• Abstract: Scanning Transmission Electron Microscopy (STEM) enables the observation of atomic arrangements at sub-angstrom resolution, allowing for atomically resolved analysis of the physical and chemical properties of materials. However, due to the effects of noise, electron beam damage, sample thickness, etc, obtaining satisfactory atomic-level images is often challenging. Enhancing STEM images can reveal clearer structural details of materials. Nonetheless, existing STEM image enhancement methods usually overlook unique features in the frequency domain, and existing datasets lack realism and generality. To resolve these issues, in this paper, we develop noise calibration, data synthesis, and enhancement methods for STEM images. We first present a STEM noise calibration method, which is used to synthesize more realistic STEM images. The parameters of background noise, scan noise, and pointwise noise are obtained by statistical analysis and fitting of real STEM images containing atoms. Then we use these parameters to develop a more general dataset that considers both regular and random atomic arrangements and includes both HAADF and BF mode images. Finally, we design a spatial-frequency interactive network for STEM image enhancement, which can explore the information in the frequency domain formed by the periodicity of atomic arrangement. Experimental results show that our data is closer to real STEM images and achieves better enhancement performances together with our network. Code will be available at https://github.com/HeasonLee/SFIN}{https://github.com/HeasonLee/SFIN.
• Abstract（参考訳）: 走査透過電子顕微鏡(STEM)は、サブアングストローム分解における原子配列の観察を可能にし、物質の物理的および化学的性質を原子的に解析することを可能にする。 しかし, ノイズ, 電子ビーム損傷, 試料厚さなどの影響により, 良好な原子レベルの画像を得ることはしばしば困難である。 STEM画像の強調は、材料のより明確な構造の詳細を明らかにすることができる。 それでも、既存のSTEM画像強調手法は通常周波数領域のユニークな特徴を見落とし、既存のデータセットにはリアリズムと一般性がない。 本稿では,これらの問題を解決するために,STEM画像のノイズ校正,データ合成,拡張手法を提案する。 まず,よりリアルなSTEM画像の合成に用いるSTEMノイズキャリブレーション法を提案する。 背景雑音, 走査雑音, 点方向雑音のパラメータは, 原子を含む実STEM画像の統計的解析と適合により得られる。 次に、これらのパラメータを用いて、通常の原子配列とランダムな原子配列の両方を考慮し、HAADFとBFモードの両方のイメージを含む、より一般的なデータセットを作成する。 最後に,STEM画像強調のための空間周波数対話型ネットワークを設計し,原子配列の周期性によって形成される周波数領域の情報を探索する。 実験結果から,本システムは実STEM画像に近づき,ネットワークによる性能向上を実現していることがわかった。 コードはhttps://github.com/HeasonLee/SFIN}{https://github.com/HeasonLee/SFINで入手できる。

関連論文リスト

• FE-UNet: Frequency Domain Enhanced U-Net with Segment Anything Capability for Versatile Image Segmentation [50.9040167152168]
  CNNのコントラスト感度関数を実験的に定量化し,人間の視覚システムと比較した。 本稿ではウェーブレット誘導分光ポーリングモジュール(WSPM)を提案する。 人間の視覚系をさらにエミュレートするために、周波数領域拡張受容野ブロック(FE-RFB)を導入する。 本研究では,SAM2 をバックボーンとし,Hiera-Large を事前学習ブロックとして組み込んだ FE-UNet を開発した。
  論文  参考訳（メタデータ） (2025-02-06T07:24:34Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Deep-Learning Recognition of Scanning Transmission Electron Microscopy: Quantifying and Mitigating the Influence of Gaussian Noises [8.027522565741402]
  走査型透過電子顕微鏡(STEM)によるナノ粒子認識のための深層学習マスク領域ベースニューラルネットワーク(Mask R-CNN)を提案する。 The Mask R-CNN model were tested onsimulated STEM-HAADF results with different Gaussian noises, Particle shapes and Particle sizes, and the results showed that Gaussian noise has determined Influence on the accuracy of recognition。 このフィルタリング認識手法はSTEM-HAADF実験結果にさらに適用され,従来のしきい値法と比較して満足度が向上した。
  論文  参考訳（メタデータ） (2024-09-25T05:30:18Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks [15.700048595212051]
  相関スペクトルと空間情報を利用した自己変調畳み込みニューラルネットワークを提案する。 モデルの中心には新しいブロックがあり、隣り合うスペクトルデータに基づいて、ネットワークが適応的に特徴を変換することができる。 合成データと実データの両方の実験解析により,提案したSM-CNNは,他の最先端HSI復調法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-15T06:57:43Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• STEM image analysis based on deep learning: identification of vacancy defects and polymorphs of ${MoS_2}$ [0.49583061314078714]
  2次元結晶の重要な構造的特徴の同定に完全畳み込みネットワーク(FCN)を適用した。 FCNは、様々なレベルのノイズ、収差、炭素汚染の存在下でのシミュレーション画像で訓練されている。 広範囲な実験STEM画像に対するFCNモデルの精度は、注意深いハンズオン分析の精度に匹敵する。
  論文  参考訳（メタデータ） (2022-06-09T04:43:56Z)
• Finding simplicity: unsupervised discovery of features, patterns, and order parameters via shift-invariant variational autoencoders [0.0]
  画像の特徴的反復特徴を解消するシフト不変変分オートエンコーダ (shift-VAE) を開発した。 対象物の位置の不確実性と形状復元の不確実性とのバランスを, シフトVAEが示す。
  論文  参考訳（メタデータ） (2021-06-23T15:39:07Z)
• 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)

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。