論文の概要: 4D-PreNet: A Unified Preprocessing Framework for 4D-STEM Data Analysis
- arxiv url: http://arxiv.org/abs/2508.03775v1
- Date: Tue, 05 Aug 2025 12:35:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.39037
- Title: 4D-PreNet: A Unified Preprocessing Framework for 4D-STEM Data Analysis
- Title（参考訳）: 4D-PreNet: 4D-STEMデータ分析のための統一前処理フレームワーク
- Authors: Mingyu Liu, Zian Mao, Zhu Liu, Haoran Zhang, Jintao Guo, Xiaoya He, Xi Huang, Shufen Chu, Chun Cheng, Jun Ding, Yujun Xie,
- Abstract要約: 注意力強化されたU-NetアーキテクチャとResNetアーキテクチャを統合したエンドツーエンドのディープラーニングパイプラインである4D-PreNetを,デノナイズ,中心補正,楕円歪み校正を同時に行う。
我々のパイプラインは、偏光中に平均2乗誤差を最大50%削減し、中心検出タスクにおいて、平均誤差が0.04ピクセル未満で、サブピクセル中心の局所化を実現する。
- 参考スコア（独自算出の注目度）: 21.323178964116522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated experimentation with real time data analysis in scanning transmission electron microscopy (STEM) often require end-to-end framework. The four-dimensional scanning transmission electron microscopy (4D-STEM) with high-throughput data acquisition has been constrained by the critical bottleneck results from data preprocessing. Pervasive noise, beam center drift, and elliptical distortions during high-throughput acquisition inevitably corrupt diffraction patterns, systematically biasing quantitative measurements. Yet, conventional correction algorithms are often material-specific and fail to provide a robust, generalizable solution. In this work, we present 4D-PreNet, an end-to-end deep-learning pipeline that integrates attention-enhanced U-Net and ResNet architectures to simultaneously perform denoising, center correction, and elliptical distortion calibration. The network is trained on large, simulated datasets encompassing a wide range of noise levels, drift magnitudes, and distortion types, enabling it to generalize effectively to experimental data acquired under varying conditions. Quantitative evaluations demonstrate that our pipeline reduces mean squared error by up to 50% during denoising and achieves sub-pixel center localization in the center detection task, with average errors below 0.04 pixels. The outputs are bench-marked against traditional algorithms, highlighting improvements in both noise suppression and restoration of diffraction patterns, thereby facilitating high-throughput, reliable 4D-STEM real-time analysis for automated characterization.
- Abstract（参考訳）: 走査型透過電子顕微鏡(STEM)におけるリアルタイムデータ解析による自動実験は、しばしばエンドツーエンドのフレームワークを必要とする。
高スループットデータ取得による4次元走査透過電子顕微鏡(4D-STEM)は、データ前処理による重大なボトルネックによって制約されている。
高出力取得における広帯域雑音、ビーム中心ドリフト、楕円歪みは必然的に劣化し、定量的測定を体系的にバイアスする。
しかし、従来の補正アルゴリズムは、しばしば物質特異的であり、堅牢で一般化可能な解を提供しない。
本研究では,注目度の高いU-NetアーキテクチャとResNetアーキテクチャを統合したエンドツーエンドのディープラーニングパイプラインである4D-PreNetを紹介し,デノナイズ,中心補正,楕円歪み校正を同時に行う。
このネットワークは、幅広いノイズレベル、ドリフトマグニチュード、歪みタイプを含む大規模なシミュレーションデータセットに基づいて訓練されており、様々な条件下で得られた実験データに効果的に一般化することができる。
定量的評価により, 重心検出タスクにおいて, 平均2乗誤差を最大50%削減し, 平均誤差を0.04ピクセル以下に抑えることができた。
出力は従来のアルゴリズムに対してベンチマークされ、ノイズ抑制と回折パターンの復元の両方の改善が強調され、高速で信頼性の高い4D-STEMリアルタイム解析による自動評価が容易になった。
関連論文リスト
- Deep learning for temporal super-resolution 4D Flow MRI [34.90138772411514]
本研究の目的は,時間的超解像4D Flow MRIのための残像ネットワークの実装と評価である。
患者固有のシリコモデル由来の合成4次元フローMRIデータと、in-vivoデータセットを用いてトレーニングおよび試験を行った。
以上の結果から, 時空間超解像4次元フローMRIにおけるデータ駆動型ニューラルネットワークの有用性が示唆された。
論文 参考訳（メタデータ） (2025-01-15T13:01:47Z) - 4DRGS: 4D Radiative Gaussian Splatting for Efficient 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images [49.170407434313475]
既存の手法は、しばしば最適以下の結果を生成するか、過剰な計算時間を必要とする。
高品質な高精細化を実現するため、4次元ガウススプラッティング(4DRGS)を提案する。
4DRGSは5分間のトレーニングで印象的な結果を得る。
論文 参考訳（メタデータ） (2024-12-17T13:51:56Z) - A convolutional neural network approach to deblending seismic data [1.5488464287814563]
本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。
地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。
ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
論文 参考訳（メタデータ） (2024-09-12T10:54:35Z) - Q-SLAM: Quadric Representations for Monocular SLAM [85.82697759049388]
四角形のレンズを通して体積表現を再現する。
我々は、RGB入力からノイズの深い深さ推定を正すために二次仮定を用いる。
本研究では,新たな二次分割変換器を導入し,二次情報を集約する。
論文 参考訳（メタデータ） (2024-03-12T23:27:30Z) - Topology Estimation of Simulated 4D Image Data by Combining Downscaling and Convolutional Neural Networks [0.0]
本研究では,現在の処理能力を超える位相的複雑度と大きさを示す4次元画像型データキューブのタイプを推定する。
合成された4Dデータと実世界の3Dデータセットを用いた実験は、計算複雑性の問題を回避することができることを示した。
論文 参考訳（メタデータ） (2023-06-26T06:13:43Z) - Probabilistic-based Feature Embedding of 4-D Light Fields for
Compressive Imaging and Denoising [62.347491141163225]
4次元光電場(LF)は、効率的で効果的な機能埋め込みを実現する上で大きな課題となる。
様々な低次元畳み込みパターンを組み立てることで特徴埋め込みアーキテクチャを学習する確率論的特徴埋め込み(PFE)を提案する。
実世界および合成4次元LF画像において,本手法の有意な優位性を実証した。
論文 参考訳（メタデータ） (2023-06-15T03:46:40Z) - Instant Multi-View Head Capture through Learnable Registration [62.70443641907766]
3次元頭部のデータセットを密接なセマンティック通信でキャプチャする既存の手法は遅い。
キャリブレーションされたマルチビュー画像から3Dヘッドを直接推定するためにTEMPEHを導入する。
1つの頭部の予測には0.3秒かかるが、中央値の復元誤差は0.26mmで、現在の最先端よりも64%低い。
論文 参考訳（メタデータ） (2023-06-12T21:45:18Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - An Empirical Evaluation of the t-SNE Algorithm for Data Visualization in
Structural Engineering [2.4493299476776773]
t-Distributed Neighbor Embedding (t-SNE)アルゴリズムは、可視化目的で設定された地震関連データセットの寸法を縮小するために用いられる。
SMOTE(Synthetic Minority Oversampling Technique)は、このようなデータセットの不均衡な性質に対処するために用いられる。
トレーニングデータセットにおけるt-SNEとSMOTEを用いて、ニューラルネットワーク分類器は精度を犠牲にすることなく、有望な結果が得られることを示す。
論文 参考訳（メタデータ） (2021-09-18T01:24:39Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Prediction of Object Geometry from Acoustic Scattering Using
Convolutional Neural Networks [8.067201256886733]
本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。
データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
論文 参考訳（メタデータ） (2020-10-21T00:51:14Z) - 4D Spatio-Temporal Convolutional Networks for Object Position Estimation
in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。
我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文 参考訳（メタデータ） (2020-07-02T12:02:20Z)
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。