論文の概要: Neural Field-Based 3D Surface Reconstruction of Microstructures from Multi-Detector Signals in Scanning Electron Microscopy

• arxiv url: http://arxiv.org/abs/2508.04728v1
• Date: Tue, 05 Aug 2025 20:00:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.904523
• Title: Neural Field-Based 3D Surface Reconstruction of Microstructures from Multi-Detector Signals in Scanning Electron Microscopy
• Title（参考訳）: 走査電子顕微鏡による多検出器信号からの神経磁場による微細構造の3次元表面再構成
• Authors: Shuo Chen, Yijin Li, Xi Zheng, Guofeng Zhang,
• Abstract要約: NFH-SEMは、多視点2次元SEM画像を入力として、幾何学的および測光的情報を連続した神経野表現に融合する。 NFH-SEMは、エンドツーエンドの自己校正によって手動の校正手順を排除し、トレーニング中にSEMイメージから自動的に影をアンタングルする。
• 参考スコア（独自算出の注目度）: 7.293073530041304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The scanning electron microscope (SEM) is a widely used imaging device in scientific research and industrial applications. Conventional two-dimensional (2D) SEM images do not directly reveal the three-dimensional (3D) topography of micro samples, motivating the development of SEM 3D surface reconstruction methods. However, reconstruction of complex microstructures remains challenging for existing methods due to the limitations of discrete 3D representations, the need for calibration with reference samples, and shadow-induced gradient errors. Here, we introduce NFH-SEM, a neural field-based hybrid SEM 3D reconstruction method that takes multi-view, multi-detector 2D SEM images as input and fuses geometric and photometric information into a continuous neural field representation. NFH-SEM eliminates the manual calibration procedures through end-to-end self-calibration and automatically disentangles shadows from SEM images during training, enabling accurate reconstruction of intricate microstructures. We validate the effectiveness of NFH-SEM on real and simulated datasets. Our experiments show high-fidelity reconstructions of diverse, challenging samples, including two-photon lithography microstructures, peach pollen, and silicon carbide particle surfaces, demonstrating precise detail and broad applicability.
• Abstract（参考訳）: 走査型電子顕微鏡(SEM)は、科学研究や工業用途に広く用いられているイメージング装置である。 従来の2次元(2次元)SEM画像は、マイクロサンプルの3次元(3次元)トポグラフィーを直接明らかにせず、SEM3次元表面再構成法の開発を動機付けている。 しかし、離散的な3次元表現の限界、参照サンプルによる校正の必要性、影による勾配誤差などにより、既存の手法では複雑な構造の再構築は依然として困難である。 本稿では,NFH-SEMについて紹介する。NFH-SEMは,多視点,多検出器2D SEM画像を入力とし,幾何学的および測光的情報を連続した脳野表現に融合するハイブリッドSEM3D再構成法である。 NFH-SEMは、エンドツーエンドの自己校正によって手動の校正手順を排除し、トレーニング中にSEMイメージから自動的に影をアンタングルし、複雑な微細構造の正確な再構築を可能にする。 実データとシミュレーションデータに対するNFH-SEMの有効性を検証する。 実験では, 2光子リソグラフィー, 桃花粉, 炭化ケイ素粒子表面などの多種多様な試料を高忠実に再構成し, 精密かつ広い適用性を示した。

関連論文リスト

• GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting [81.03553265684184]
  単視点画像から詳細な3Dオブジェクトを再構成するフレームワークであるGeoGS3Dを紹介する。 本稿では,GDS(Gaussian Divergence Significance)という新しい指標を提案する。 実験により、GeoGS3Dはビュー間で高い一貫性を持つ画像を生成し、高品質な3Dオブジェクトを再構成することを示した。
  論文  参考訳（メタデータ） (2024-03-15T12:24:36Z)
• Multi-View Neural 3D Reconstruction of Micro-/Nanostructures with Atomic Force Microscopy [34.22380991792944]
  原子間力顕微鏡(MVN-AFM)を用いたマルチビューニューラルネットワークベースのフレームワークを提案する。 MVN-AFMは反復法を用いてマルチビューデータを調整し、AFMアーティファクトを同時に除去する。 実験により、MVN-AFMは生のAFM画像に存在する人工物を効果的に除去し、様々なミクロ・ナノ構造を再構築することが示された。
  論文  参考訳（メタデータ） (2024-01-21T16:46:04Z)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)
• Multi-plane denoising diffusion-based dimensionality expansion for 2D-to-3D reconstruction of microstructures with harmonized sampling [0.0]
  本研究では,マイクロ3Diffと呼ばれる2次元から3次元の微細構造再構築のための新しい枠組みを提案する。 具体的には、この手法は2Dサンプルの生成に事前訓練されたDGMのみを必要とする。 DGMの逆マルコフ鎖からの偏差に対処するために、調和サンプリング法を開発した。
  論文  参考訳（メタデータ） (2023-08-27T07:57:25Z)
• Passive superresolution imaging of incoherent objects [63.942632088208505]
  手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。 ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:09Z)
• Neural 3D Reconstruction in the Wild [86.6264706256377]
  そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。 そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:59:53Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Neural Radiance Fields Approach to Deep Multi-View Photometric Stereo [103.08512487830669]
  多視点測光ステレオ問題(MVPS)に対する現代的な解法を提案する。 我々は、光度ステレオ(PS)画像形成モデルを用いて表面配向を取得し、それを多視点のニューラルラディアンス場表現とブレンドして物体の表面形状を復元する。 本手法は,多視点画像のニューラルレンダリングを行い,深部光度ステレオネットワークによって推定される表面の正規性を活用している。
  論文  参考訳（メタデータ） (2021-10-11T20:20:03Z)
• Accelerating 3D MULTIPLEX MRI Reconstruction with Deep Learning [7.85035197356331]
  マルチフリップ角(FA)とマルチエコレックスGRE法(MULTIP MRI)は1つのスキャンで同時に複数のパラメトリック画像を取得するために開発された。 3次元MRIデータ再構築のための深層学習フレームワークを提案する。 提案する深層学習法は,画像品質と再構成時間において良好な性能を示す。
  論文  参考訳（メタデータ） (2021-05-17T21:06:14Z)

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。