論文の概要: Generative diffusion modeling protocols for improving the Kikuchi pattern indexing in electron back-scatter diffraction

• arxiv url: http://arxiv.org/abs/2510.26907v2
• Date: Mon, 03 Nov 2025 07:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-04 14:12:28.027058
• Title: Generative diffusion modeling protocols for improving the Kikuchi pattern indexing in electron back-scatter diffraction
• Title（参考訳）: 電子後方散乱回折における菊池パターンインデクシング改善のための生成拡散モデリングプロトコル
• Authors: Meghraj Prajapat, Alankar Alankar,
• Abstract要約: 本研究は,木口パターンのポストプロセッシングやオンザフライ処理のための生成機械学習モデルの開発を目的とする。 短い露光時間(高速スキャン)で捉えたパターンの品質向上におけるこのような生成モデルの性能の比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electron back-scatter diffraction (EBSD) has traditionally relied upon methods such as the Hough transform and dictionary Indexing to interpret diffraction patterns and extract crystallographic orientation. However, these methods encounter significant limitations, particularly when operating at high scanning speeds, where the exposure time per pattern is decreased beyond the operating sensitivity of CCD camera. Hence the signal to noise ratio decreases for the observed pattern which makes the pattern noisy, leading to reduced indexing accuracy. This research work aims to develop generative machine learning models for the post-processing or on-the-fly processing of Kikuchi patterns which are capable of restoring noisy EBSD patterns obtained at high scan speeds. These restored patterns can be used for the determination of crystal orientations to provide reliable indexing results. We compare the performance of such generative models in enhancing the quality of patterns captured at short exposure times (high scan speeds). An interesting observation is that the methodology is not data-hungry as typical machine learning methods.
• Abstract（参考訳）: EBSD(Electron back-scatter diffraction)は、伝統的にハフ変換や辞書インデックスなどの手法を使って回折パターンを解釈し結晶方位を抽出してきた。 しかし,これらの手法は,特にCCDカメラの動作感度を超えて,パターン毎の露光時間が減少する高速走査動作において,大きな制限を受ける。 これにより、観測されたパターンに対してノイズ比の信号が減少し、そのパターンがうるさくなり、インデックス化精度が低下する。 本研究の目的は,高速で得られたノイズの多いEBSDパターンを復元可能な,菊池パターンの処理後処理やオンザフライ処理のための生成機械学習モデルを開発することである。 これらの復元されたパターンは結晶配向の決定に利用でき、信頼性の高いインデックス化結果が得られる。 短い露光時間(高速スキャン)で取得したパターンの品質を向上させるために,このような生成モデルの性能を比較した。 興味深い観察は、この方法論が典型的な機械学習手法のようにデータ処理ではないことである。

関連論文リスト

• Visual Autoregressive Models Beat Diffusion Models on Inference Time Scaling [3.558452956820138]
  視覚自己回帰モデルの離散的かつ逐次的な性質は、画像生成を効果的に検索できることを示す。 ビームサーチはテキスト・画像生成を大幅に改善し、2Bパラメータ自己回帰モデルがベンチマーク間で12Bパラメータ拡散モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-19T08:28:06Z)
• PixelBoost: Leveraging Brownian Motion for Realistic-Image Super-Resolution [8.041659727964305]
  拡散モデルに基づく画像超解像技術は、しばしば現実的な画像生成と計算効率のトレードオフに直面している。 我々は,ブラウン運動の性質を受け入れることの重要性を浮き彫りにする新しい拡散モデル PixelBoost を紹介する。 提案モデルでは,学習された知覚的イメージパッチ類似度 (LPIPS), 順序誤差 (LOE), ピーク信号-雑音比 (PSNR), 構造的類似度指標 (SSIM) および視覚的品質の観点から,より優れた客観的結果を示す。
  論文  参考訳（メタデータ） (2025-06-29T14:22:38Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
  汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。 我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-11-17T09:39:50Z)
• PtychoFormer: A Transformer-based Model for Ptychographic Phase Retrieval [9.425754476649796]
  データ駆動単発写真位相検索のための階層型トランスフォーマーモデルを提案する。 本モデルでは, 細かな走査回折パターンに対する耐性を示し, 画像の再生速度は, 拡張された胸部反復エンジン (ePIE) の最大3600倍に向上した。
  論文  参考訳（メタデータ） (2024-10-22T19:26:05Z)
• ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
  本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。 我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
  論文  参考訳（メタデータ） (2024-03-21T17:52:08Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)

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。