論文の概要: Generative Image Restoration and Super-Resolution using Physics-Informed Synthetic Data for Scanning Tunneling Microscopy

• arxiv url: http://arxiv.org/abs/2510.25921v1
• Date: Wed, 29 Oct 2025 19:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.55326
• Title: Generative Image Restoration and Super-Resolution using Physics-Informed Synthetic Data for Scanning Tunneling Microscopy
• Title（参考訳）: 物理インフォームド合成データを用いた走査トンネル顕微鏡による画像復元と超解像
• Authors: Nikola L. Kolev, Tommaso Rodani, Neil J. Curson, Taylor J. Z. Stock, Alberto Cazzaniga,
• Abstract要約: 本稿では、画像修復のための機械学習(ML)アプローチと、両方の課題を軽減するための超解像を提案する。 物理インフォームド合成データ生成パイプラインは,いくつかの最先端のフローマッチングおよび拡散モデルの訓練に利用できることを示す。 我々のフレームワークは、STM実験のスループットを大幅に向上させる可能性がある。
• 参考スコア（独自算出の注目度）: 2.873869397844946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scanning tunnelling microscopy (STM) enables atomic-resolution imaging and atom manipulation, but its utility is often limited by tip degradation and slow serial data acquisition. Fabrication adds another layer of complexity since the tip is often subjected to large voltages, which may alter the shape of its apex, requiring it to be conditioned. Here, we propose a machine learning (ML) approach for image repair and super-resolution to alleviate both challenges. Using a dataset of only 36 pristine experimental images of Si(001):H, we demonstrate that a physics-informed synthetic data generation pipeline can be used to train several state-of-the-art flow-matching and diffusion models. Quantitative evaluation with metrics such as the CLIP Maximum Mean Discrepancy (CMMD) score and structural similarity demonstrates that our models are able to effectively restore images and offer a two- to fourfold reduction in image acquisition time by accurately reconstructing images from sparsely sampled data. Our framework has the potential to significantly increase STM experimental throughput by offering a route to reducing the frequency of tip-conditioning procedures and to enhancing frame rates in existing high-speed STM systems.
• Abstract（参考訳）: 走査型トンネル顕微鏡(STM)は原子分解能イメージングと原子操作を可能にするが、その有用性はチップ劣化と遅いシリアルデータ取得によって制限されることが多い。 ファブリケーションは、先端がしばしば大きな電圧を受けており、頂点の形状を変える可能性があるため、条件を定める必要があるため、別の複雑な層を追加する。 本稿では,画像修復のための機械学習(ML)アプローチを提案する。 実験的なSi(001):Hの36枚のデータセットを用いて、物理情報を用いた合成データ生成パイプラインを用いて、最先端のフローマッチングおよび拡散モデルのトレーニングを行うことを実証した。 CMMD(CLIP Maximum Mean Discrepancy)スコアや構造的類似性などの指標を用いた定量的評価は,本モデルが画像の効率よく復元でき,スパースサンプリングデータから画像を正確に再構成することで,画像取得時間を2～4倍に短縮できることを示す。 我々のフレームワークは、チップコンディショニング手順の頻度を減らし、既存の高速STMシステムにおけるフレームレートを向上させるルートを提供することで、STM実験スループットを著しく向上させる可能性がある。

関連論文リスト

• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• MDiff-FMT: Morphology-aware Diffusion Model for Fluorescence Molecular Tomography with Small-scale Datasets [29.920562899648985]
  蛍光分子トモグラフィー (FMT) は、生体医学研究に広く用いられている感度光学イメージング技術である。 逆問題により、FMT再建に大きな課題が生じる。 拡散確率モデル(DDPM)に基づくMDiff-FMT(MDiff-FMT)を初めて報告し,高忠実な形態的再構成を実現する。
  論文  参考訳（メタデータ） (2024-10-09T10:41:31Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• FCDM: A Physics-Guided Bidirectional Frequency Aware Convolution and Diffusion-Based Model for Sinogram Inpainting [14.043383277622874]
  フルビューのシノグラムは高い放射線線量と長いスキャン時間を必要とする。 スパースビューCTは、この負担を軽減するが、構造的な信号損失を伴う不完全なシノグラムを生じる。 本研究では,Ninogram に適した拡散型フレームワークであるmodelnameを提案する。
  論文  参考訳（メタデータ） (2024-08-26T12:31:38Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Efficient Visual State Space Model for Image Deblurring [99.54894198086852]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。 提案したEVSSMは、ベンチマークデータセットや実世界の画像に対する最先端の手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• Paired Diffusion: Generation of related, synthetic PET-CT-Segmentation scans using Linked Denoising Diffusion Probabilistic Models [0.0]
  本研究では,複数のPET-CT-腫瘍マスクペアをペアネットワークと条件エンコーダを用いて生成できる新しいアーキテクチャを提案する。 我々のアプローチには、DDPMサンプリング一貫性を改善するための革新的で時間的なステップ制御機構とノイズ探索戦略が含まれる。
  論文  参考訳（メタデータ） (2024-03-26T14:21:49Z)
• CNN-Based Image Reconstruction Method for Ultrafast Ultrasound Imaging [9.659642285903418]
  超高速超音波(US)は、フルビューフレームを1kHz以上で取得できるバイオメディカルイメージングに革命をもたらした。 強い回折アーチファクトに悩まされ、主に格子状葉、サイドローブ、エッジウェーブによって引き起こされる。 本稿では,2段階の畳み込みニューラルネットワーク(CNN)を用いた画像再構成手法を提案する。
  論文  参考訳（メタデータ） (2020-08-28T17:15:37Z)
• Distributed optimization for nonrigid nano-tomography [0.40631409309544836]
  本研究では,ナノスケールの試料の投影アライメント,アンワーピング,正規化を併用した共同解析器を提案する。 投影データの一貫性は、ファーンバックのアルゴリズムによって推定される密度の高い光流によって制御され、より少ないアーティファクトで鋭いサンプル再構成をもたらす。
  論文  参考訳（メタデータ） (2020-07-11T19:22:43Z)

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。