論文の概要: A Fourier-Based Global Denoising Model for Smart Artifacts Removing of Microscopy Images

• arxiv url: http://arxiv.org/abs/2511.09734v1
• Date: Fri, 14 Nov 2025 01:06:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.448032
• Title: A Fourier-Based Global Denoising Model for Smart Artifacts Removing of Microscopy Images
• Title（参考訳）: 顕微鏡画像から除去したスマートアーティファクトのフーリエに基づくグローバルデノイングモデル
• Authors: Huanhuan Zhao, Connor Vernachio, Laxmi Bhurtel, Wooin Yang, Ruben Millan-Solsona, Spenser R. Brown, Marti Checa, Komal Sharma Agrawal, Adam M. Guss, Liam Collins, Wonhee Ko, Arpan Biswas,
• Abstract要約: 高品質な画像を得るために顕微鏡制御をチューニングするのは、簡単で時間を要する作業である。 既存のデノイングモデルは、弱い信号をノイズとして一般化することに主に基づいている。 より弱いが物理的に重要な特徴を保ちながら、顕微鏡画像のアーティファクトを巧みに除去するグローバルデノナイジングモデル(GDM)を提案する。
• 参考スコア（独自算出の注目度）: 2.7775958728515335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microscopy such as Scanning Tunneling Microscopy (STM), Atomic Force Microscopy (AFM) and Scanning Electron Microscopy (SEM) are essential tools in material imaging at micro- and nanoscale resolutions to extract physical knowledge and materials structure-property relationships. However, tuning microscopy controls (e.g. scanning speed, current setpoint, tip bias etc.) to obtain a high-quality of images is a non-trivial and time-consuming effort. On the other hand, with sub-standard images, the key features are not accurately discovered due to noise and artifacts, leading to erroneous analysis. Existing denoising models mostly build on generalizing the weak signals as noises while the strong signals are enhanced as key features, which is not always the case in microscopy images, thus can completely erase a significant amount of hidden physical information. To address these limitations, we propose a global denoising model (GDM) to smartly remove artifacts of microscopy images while preserving weaker but physically important features. The proposed model is developed based on 1) first designing a two-imaging input channel of non-pair and goal specific pre-processed images with user-defined trade-off information between two channels and 2) then integrating a loss function of pixel- and fast Fourier-transformed (FFT) based on training the U-net model. We compared the proposed GDM with the non-FFT denoising model over STM-generated images of Copper(Cu) and Silicon(Si) materials, AFM-generated Pantoea sp.YR343 bio-film images and SEM-generated plastic degradation images. We believe this proposed workflow can be extended to improve other microscopy image quality and will benefit the experimentalists with the proposed design flexibility to smartly tune via domain-experts preferences.
• Abstract（参考訳）: 走査トンネル顕微鏡 (STM) や原子間力顕微鏡 (AFM) 、走査電子顕微鏡 (SEM) などの顕微鏡は、物理知識と材料構造と物性の関係を抽出するために、ミクロおよびナノスケールの分解能で物質イメージングに必須のツールである。 しかし、高品質な画像を得るための顕微鏡制御(例えば、走査速度、電流設定点、先端バイアスなど)のチューニングは、簡単で時間を要する作業である。 一方、サブ標準画像では、ノイズやアーティファクトが原因で重要な特徴が正確には発見されず、誤った分析がなされる。 既存のデノナイジングモデルは、弱い信号をノイズとして一般化し、強い信号を重要な特徴として拡張する。 これらの制約に対処するために、より弱いが物理的に重要な特徴を保ちながら、顕微鏡画像のアーティファクトを巧みに除去するグローバルデノナイジングモデル(GDM)を提案する。 提案手法をベースとしたモデルの開発 1) 利用者が定義した2つのチャンネル間のトレードオフ情報を用いた非ペア・ゴール特定前処理画像の2次元入力チャネルをまず設計し, 2)U-netモデルのトレーニングに基づいて,画素・高速フーリエ変換(FFT)の損失関数を統合する。 提案したGDMを,STM生成したCu,Si,AFM生成したPantoea sp.YR343バイオフィルム,SEM生成したプラスチック劣化画像の非FFTデノナイズモデルと比較した。 提案するワークフローは、他の顕微鏡画像の品質向上のために拡張可能であり、ドメインエキスパートの好みによってスマートにチューニングできる設計の柔軟性を持つ実験者にとってメリットがあると考えています。

関連論文リスト

• Generative Image Restoration and Super-Resolution using Physics-Informed Synthetic Data for Scanning Tunneling Microscopy [2.873869397844946]
  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。
  論文  参考訳（メタデータ） (2025-10-29T19:50:34Z)
• QWD-GAN: Quality-aware Wavelet-driven GAN for Unsupervised Medical Microscopy Images Denoising [2.99938892718088]
  本稿では,GANアーキテクチャに基づく教師なし画像復調手法を提案する。 提案手法は最先端の復調性能,特に高周波情報の保存に優れる。
  論文  参考訳（メタデータ） (2025-09-19T09:41:48Z)
• Total Variation-Based Image Decomposition and Denoising for Microscopy Images [6.178358125917281]
  実験的に取得された顕微鏡画像は、ノイズやその他の望ましくない信号の存在によって必然的に影響を受ける。 本研究は、全変動(TV)に基づくワークフローによる顕微鏡画像の分解と復調に焦点を当てたものである。 提案手法は,望ましくない信号成分を抽出し,生信号成分から抽出するか,あるいはノイズを除去することによって画像の復元を行う。
  論文  参考訳（メタデータ） (2025-05-13T14:14:00Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。