論文の概要: From Artefact to Insight: Efficient Low-Rank Adaptation of BrushNet for Scanning Probe Microscopy Image Restoration

• arxiv url: http://arxiv.org/abs/2603.14850v1
• Date: Mon, 16 Mar 2026 05:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.075832
• Title: From Artefact to Insight: Efficient Low-Rank Adaptation of BrushNet for Scanning Probe Microscopy Image Restoration
• Title（参考訳）: 人工物からインサイトへ:走査型プローブ顕微鏡画像復元のためのブラシネットの高効率低ランク適応
• Authors: Ziwei Wei, Yao Shen, Wanheng Lu, Ghim Wei Ho, Kaiyang Zeng,
• Abstract要約: 本研究では,科学画像に合わせたグレースケールのインペイントフレームワークを提案する。 ランク制約付き低ランク適応 (LoRA) でブルーシュネット重量の0.2%以下を微調整することにより,7390の人工物と739の実験スキャンから抽出したクリーンペアを用いて事前訓練した拡散モデルを適用した。
• 参考スコア（独自算出の注目度）: 4.338766069286991
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scanning Probe Microscopy or SPM offers nanoscale resolution but is frequently marred by structured artefacts such as line scan dropout, gain induced noise, tip convolution, and phase hops. While most available methods treat SPM artefact removal as isolated denoising or interpolation tasks, the generative inpainting perspective remains largely unexplored. In this work, we introduce a diffusion based inpainting framework tailored to scientific grayscale imagery. By fine tuning less than 0.2 percent of BrushNet weights with rank constrained low rank adaptation (LoRA), we adapt a pretrained diffusion model using only 7390 artefact, clean pairs distilled from 739 experimental scans. On our forthcoming public SPM InpBench benchmark, the LoRA enhanced model lifts the Peak Signal to Noise Ratio or PSNR by 6.61 dB and halves the Learned Perceptual Image Patch Similarity or LPIPS relative to zero-shot inference, while matching or slightly surpassing the accuracy of full retraining, trainable on a single GPU instead of four high-memory cards. The approach generalizes across various SPM image channels including height, amplitude and phase, faithfully restores subtle structural details, and suppresses hallucination artefacts inherited from natural image priors. This lightweight framework enables efficient, scalable recovery of irreplaceable SPM images and paves the way for a broader diffusion model adoption in nanoscopic imaging analysis.
• Abstract（参考訳）: 走査型プローブ顕微鏡(SPM)はナノスケールの分解能を提供するが、ラインスキャンドロップアウト、ゲイン誘導ノイズ、先端畳み込み、位相ホップなどの構造化された人工物によってしばしばマージされる。 ほとんどの方法では、SPMアーチファクトの除去を孤立的脱臭や補間作業として扱うが、生成的着色の観点からは明らかにされていない。 本研究では,科学的なグレースケール画像に適した拡散型インペイントフレームワークを提案する。 ランク制約付き低ランク適応 (LoRA) でブルーシュネット重量の0.2%以下を微調整することにより,7390の人工物と739の実験スキャンから抽出したクリーンペアを用いて事前訓練した拡散モデルを適用した。 近日公開のSPM InpBenchベンチマークでは、LoRA拡張モデルはPak Signal to Noise RatioまたはPSNRを6.61dB上げ、ゼロショット推論と比較してLearred Perceptual Image Patch similarityまたはLPIPSを半減します。 このアプローチは、高さ、振幅、位相を含む様々なSPM画像チャネルをまたいで一般化し、微妙な構造的詳細を忠実に復元し、自然画像の先行から受け継がれた幻覚アーチファクトを抑制する。 この軽量なフレームワークは、置換不能なSPM画像の効率よくスケーラブルな復元を可能にし、ナノスコープ画像解析における広範な拡散モデル導入の道を開く。

関連論文リスト

• Towards single-shot coherent imaging via overlap-free ptychography [0.0]
  本稿ではPtychoPINNを拡張し,Fresnelコヒーレント回折画像幾何を用いてアンフェバラップのない単発再構成を行う。 その結果は、Advanced Photon SourceとLinac Coherent Light Sourceの実験データに基づいて検証された。
  論文  参考訳（メタデータ） (2026-02-24T20:45:24Z)
• Res-MoCoDiff: Residual-guided diffusion models for motion artifact correction in brain MRI [4.893666625661374]
  脳MRIの動作アーティファクトは、主に硬直した頭部の動きから、画質を低下させ、下流の応用を妨げる。 本研究では,MRIの運動アーチファクト修正に特化して設計された効率的な拡散確率モデルであるRes-MoCoDiffを紹介する。 提案手法は, 微少, 中等度, 重歪レベルにわたる運動アーティファクトの除去において, 優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-06T13:02:40Z)
• Haar Nuclear Norms with Applications to Remote Sensing Imagery Restoration [53.68392692185276]
  本稿では,Har Nuclear norm (HNN) という,高効率かつ効率的なリモートセンシング画像復元のための新しい低ランク正規化用語を提案する。 2次元前方スライス-ワイド・ハール離散ウェーブレット変換から導出されるウェーブレット係数の低ランク特性を利用する。 ハイパースペクトル像の着色, マルチテンポラル画像雲の除去, ハイパースペクトル像の脱色実験により, HNNの可能性が明らかとなった。
  論文  参考訳（メタデータ） (2024-07-11T13:46:47Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• 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)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• A Lightweight Structure Aimed to Utilize Spatial Correlation for Sparse-View CT Reconstruction [6.8438089867929905]
  重度の画像ノイズやストレッチアーティファクトは、低線量プロトコルの主要な問題であることが判明した。 本論文では,現在普及しているアルゴリズムの限界を破るデュアルドメイン深層学習手法を提案する。 提案手法は,40.305のPSNRと0.948のSSIMに到達し,高モデルモビリティを確保しながら,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-01-19T13:26:17Z)

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。