論文の概要: AtomDiffuser: Time-Aware Degradation Modeling for Drift and Beam Damage in STEM Imaging

• arxiv url: http://arxiv.org/abs/2508.10359v1
• Date: Thu, 14 Aug 2025 05:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.192982
• Title: AtomDiffuser: Time-Aware Degradation Modeling for Drift and Beam Damage in STEM Imaging
• Title（参考訳）: AtomDiffuser:STEMイメージングにおけるドリフトとビーム損傷の時間認識劣化モデル
• Authors: Hao Wang, Hongkui Zheng, Kai He, Abolfazl Razi,
• Abstract要約: AtomDiffuserは、透過電子顕微鏡を走査するための時間認識分解モデリングフレームワークである。 サンプルのドリフトと減衰をアフィン変換と空間的に変化する減衰写像を予測することによって解する。 高解像度の劣化予測とドリフトアライメントをサポートし、劣化パターンの可視化と定量化のためのツールを提供する。
• 参考スコア（独自算出の注目度）: 9.740325299883024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scanning transmission electron microscopy (STEM) plays a critical role in modern materials science, enabling direct imaging of atomic structures and their evolution under external interferences. However, interpreting time-resolved STEM data remains challenging due to two entangled degradation effects: spatial drift caused by mechanical and thermal instabilities, and beam-induced signal loss resulting from radiation damage. These factors distort both geometry and intensity in complex, temporally correlated ways, making it difficult for existing methods to explicitly separate their effects or model material dynamics at atomic resolution. In this work, we present AtomDiffuser, a time-aware degradation modeling framework that disentangles sample drift and radiometric attenuation by predicting an affine transformation and a spatially varying decay map between any two STEM frames. Unlike traditional denoising or registration pipelines, our method leverages degradation as a physically heuristic, temporally conditioned process, enabling interpretable structural evolutions across time. Trained on synthetic degradation processes, AtomDiffuser also generalizes well to real-world cryo-STEM data. It further supports high-resolution degradation inference and drift alignment, offering tools for visualizing and quantifying degradation patterns that correlate with radiation-induced atomic instabilities.
• Abstract（参考訳）: 走査透過電子顕微鏡(STEM)は現代材料科学において重要な役割を担い、原子構造とその外部干渉下での進化を直接撮像することができる。 しかし, 時間分解STEMデータの解釈は, 機械的および熱的不安定性に起因する空間的ドリフトと, 放射線損傷によるビーム誘起信号損失の2つの絡み合った劣化効果により, 依然として困難である。 これらの因子は、複雑な時間的に相関した方法で幾何学と強度の両方を歪め、既存の手法がそれらの効果を明示的に分離したり、原子分解能で物質力学をモデル化することは困難である。 本研究では,2つのSTEMフレーム間のアフィン変換と空間的に変化する減衰マップを予測することにより,試料のドリフトとラジオメトリック減衰をアンタングル化する時間認識劣化モデリングフレームワークAtomDiffuserを提案する。 従来のデノナイジングパイプラインや登録パイプラインとは異なり、この手法は物理的にヒューリスティックで時間的条件付きプロセスとして劣化を活用し、時間を通して解釈可能な構造的進化を可能にする。 合成分解プロセスに基づいて、AtomDiffuserは現実世界のCryo-STEMデータにもよく応用できる。 さらに、高分解能の劣化推論とドリフトアライメントをサポートし、放射線による原子不安定性と相関する劣化パターンの可視化と定量化のためのツールを提供する。

関連論文リスト

• Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
  本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。 Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-24T01:00:06Z)
• Physical Degradation Model-Guided Interferometric Hyperspectral Reconstruction with Unfolding Transformer [10.761506243784744]
  IHI(Interferometric Hyperspectral Imaging)は、大規模なリモートセンシングタスクにおいて重要な技術である。 IHIは撮像工程による複雑なエラーを受けやすく、その品質は既存の信号処理ベースの再構成アルゴリズムによって制限されている。 トレーニングデータセットの欠如と,IHI固有の劣化成分を除去することの難しさという,2つの課題に対処する新しいIHI再構築パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-27T03:36:00Z)
• 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
  現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
  論文  参考訳（メタデータ） (2024-05-17T11:23:33Z)
• Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation [46.57879724994237]
  金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。 既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。 本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:30:39Z)
• Augmenting x-ray single particle imaging reconstruction with self-supervised machine learning [5.109422776828829]
  粒子配向を復元し、回折画像のみから相互空間強度を推定するエンド・ツー・エンドの自己教師型機械学習手法を提案する。 提案手法は,従来のアルゴリズムと比較して,再現性を大幅に向上した実験条件下での強靭性を示す。
  論文  参考訳（メタデータ） (2023-11-28T10:05:44Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• TILDE-Q: A Transformation Invariant Loss Function for Time-Series Forecasting [8.086595073181604]
  時系列予測は、エネルギー、天気、交通、経済など、さまざまな領域における現実世界の問題に対処することができる。 時系列予測はよく研究されている分野であり、シーケンシャルデータの急激な変化などの複雑な時間的パターンを予測することは、現在のモデルでは依然として課題となっている。 本稿では, 振幅および位相歪みだけでなく, 時系列列の形状をモデルで捉えることができる, TILDEQ と呼ばれる新しいコンパクトな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-10-26T21:32:20Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• 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)

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。