論文の概要: Deep learning denoising unlocks quantitative insights in operando materials microscopy

• arxiv url: http://arxiv.org/abs/2510.27667v1
• Date: Fri, 31 Oct 2025 17:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.189102
• Title: Deep learning denoising unlocks quantitative insights in operando materials microscopy
• Title（参考訳）: Deep Learning Denoisingは、オペナンド材料顕微鏡における定量的洞察を解き放つ
• Authors: Samuel Degnan-Morgenstern, Alexander E. Cohen, Rajeev Gopal, Megan Gober, George J. Nelson, Peng Bai, Martin Z. Bazant,
• Abstract要約: オペナンド顕微鏡は、機能性物質を管理する化学的および物理的過程の洞察を与える。 本稿では,教師なし深層学習に基づくデノケーションを定量的な顕微鏡に組み込むためのフレームワークを提案する。 ディープ・デノジングは物理的忠実さを保ち、バイアスを最小限にし、モデル学習における不確実性を減少させる。
• 参考スコア（独自算出の注目度）: 34.840519337260396
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Operando microscopy provides direct insight into the dynamic chemical and physical processes that govern functional materials, yet measurement noise limits the effective resolution and undermines quantitative analysis. Here, we present a general framework for integrating unsupervised deep learning-based denoising into quantitative microscopy workflows across modalities and length scales. Using simulated data, we demonstrate that deep denoising preserves physical fidelity, introduces minimal bias, and reduces uncertainty in model learning with partial differential equation (PDE)-constrained optimization. Applied to experiments, denoising reveals nanoscale chemical and structural heterogeneity in scanning transmission X-ray microscopy (STXM) of lithium iron phosphate (LFP), enables automated particle segmentation and phase classification in optical microscopy of graphite electrodes, and reduces noise-induced variability by nearly 80% in neutron radiography to resolve heterogeneous lithium transport. Collectively, these results establish deep denoising as a powerful, modality-agnostic enhancement that advances quantitative operando imaging and extends the reach of previously noise-limited techniques.
• Abstract（参考訳）: Operando Microscopyは、機能材料を管理する動的化学的および物理的プロセスに関する直接的な洞察を提供するが、計測ノイズは効果的な分解能を制限し、定量分析を損なう。 本稿では、教師なしのディープラーニングに基づくデノベーションを、モーダル性や長さのスケールで定量的な顕微鏡ワークフローに統合するための一般的なフレームワークを提案する。 シミュレーションデータを用いて、ディープデノゲーションは物理的忠実さを保ち、バイアスを最小限に抑え、偏微分方程式(PDE)制約付きモデル学習における不確実性を減少させることを示した。 実験に応用して、デノナイジングは、走査透過型リン酸リチウム(LFP)のX線顕微鏡(STXM)におけるナノスケールの化学的および構造的不均一性を明らかにし、グラファイト電極の光学顕微鏡における自動粒子セグメンテーションと位相分類を可能にし、中性子ラジオグラフィにおけるノイズ誘起変動を約80%低減し、不均一なリチウム輸送を解決する。 これらの結果は, 定量的なオペナンドイメージングを推進し, 従来のノイズ制限手法の到達範囲を拡大する, 強力でモダリティに依存しない拡張として, ディープ・デノナイジングを確立している。

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)
• Novel Concept-Oriented Synthetic Data approach for Training Generative AI-Driven Crystal Grain Analysis Using Diffusion Model [0.0]
  本研究は, エッジ検出と生成拡散モデルを統合し, 粒子の同定, ノイズの除去, および予測された粒界に沿った破断セグメントの接続を行う。 提案したモデルは, ナノスケールまで平均粒径の様々な金属に応用され, 低分解能TEM画像から平均精度97.23%の結晶形態が得られた。
  論文  参考訳（メタデータ） (2025-04-21T00:46:28Z)
• Self-Supervised Diffusion MRI Denoising via Iterative and Stable Refinement [20.763457281944834]
  ディフュージョン (Di-Fusion) は、後者の拡散ステップと適応サンプリングプロセスを利用する、完全に自己制御された分極法である。 実データおよびシミュレーションデータを用いた実験により, マイクロ構造モデリング, トラクトグラフィー追跡, その他の下流タスクにおいて, ディフュージョンが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-01-23T10:01:33Z)
• Fluctuation-based deconvolution in fluorescence microscopy using plug-and-play denoisers [2.236663830879273]
  蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。 この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
  論文  参考訳（メタデータ） (2023-03-20T15:43:52Z)
• Retrieving space-dependent polarization transformations via near-optimal quantum process tomography [55.41644538483948]
  トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。 ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。 これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
  論文  参考訳（メタデータ） (2022-10-27T11:37:14Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)

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。