論文の概要: Bridging the Simulation-to-Reality Gap in Electron Microscope Calibration via VAE-EM Estimation
- arxiv url: http://arxiv.org/abs/2603.16549v1
- Date: Tue, 17 Mar 2026 14:15:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.320074
- Title: Bridging the Simulation-to-Reality Gap in Electron Microscope Calibration via VAE-EM Estimation
- Title（参考訳）: VAE-EM推定による電子顕微鏡校正におけるシミュレーション-現実ギャップのブリッジ化
- Authors: Jilles S. van Hulst, W. P. M. H., Heemels, Duarte J. Antunes,
- Abstract要約: 可変オートエンコーダ(VAE)を用いた走査透過電子顕微鏡(STEM)の校正問題に取り組む。
VAEは画像の低次元表現を学習するが、既存の手法はスカラー値のみを抽出する。
次に,キャリブレーションパラメータを符号化表現と最適キャリブレーションパラメータにマッピングするモデルを,期待(EM)アプローチを用いて同時に推定する。
- 参考スコア（独自算出の注目度）: 0.5599792629509229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electron microscopy has enabled many scientific breakthroughs across multiple fields. A key challenge is the tuning of microscope parameters based on images to overcome optical aberrations that deteriorate image quality. This calibration problem is challenging due to the high-dimensional and noisy nature of the diagnostic images, and the fact that optimal parameters cannot be identified from a single image. We tackle the calibration problem for Scanning Transmission Electron Microscopes (STEM) by employing variational autoencoders (VAEs), trained on simulated data, to learn low-dimensional representations of images, whereas most existing methods extract only scalar values. We then simultaneously estimate the model that maps calibration parameters to encoded representations and the optimal calibration parameters using an expectation maximization (EM) approach. This joint estimation explicitly addresses the simulation-to-reality gap inherent in data-driven methods that train on simulated data from a digital twin. We leverage the known symmetry property of the optical system to establish global identifiability of the joint estimation problem, ensuring that a unique optimum exists. We demonstrate that our approach is substantially faster and more consistent than existing methods on a real STEM, achieving a 2x reduction in estimation error while requiring fewer observations. This represents a notable advance in automated STEM calibration and demonstrates the potential of VAEs for information compression in images. Beyond microscopy, the VAE-EM framework applies to inverse problems where simulated training data introduces a reality gap and where non-injective mappings would otherwise prevent unique solutions.
- Abstract（参考訳）: 電子顕微鏡は、複数の分野にまたがる多くの科学的なブレークスルーを可能にした。
重要な課題は、画像品質を劣化させる光学収差を克服するために、画像に基づく顕微鏡パラメータのチューニングである。
この校正問題は、診断画像の高次元的・ノイズ的性質と、最適なパラメータを1つの画像から特定できないという事実により、困難である。
我々は,画像の低次元表現を学習するために,変分オートエンコーダ(VAE)を用いて走査透過電子顕微鏡(STEM)の校正問題に取り組む一方,既存の手法ではスカラー値のみを抽出する。
次に,キャリブレーションパラメータを符号化表現にマッピングするモデルと,予測最大化(EM)手法を用いて最適なキャリブレーションパラメータを同時に推定する。
この共同推定は、デジタルツインからシミュレーションされたデータをトレーニングするデータ駆動方式に固有のシミュレーションと現実のギャップを明示的に解決する。
我々は、光学系の既知の対称性特性を利用して、結合推定問題の大域的同一性を確立し、一意の最適化が存在することを保証する。
我々は,本手法が実STEMの既存手法よりもはるかに高速で一貫性があり,少ない観測時間で推定誤差を2倍削減できることを実証した。
これは自動STEM校正における顕著な進歩であり、画像の情報圧縮におけるVAEの可能性を示している。
顕微鏡以外にも、VAE-EMフレームワークは、シミュレーショントレーニングデータが現実のギャップを導入し、非インジェクティブマッピングが独特な解決策を防ぐという逆問題に適用される。
関連論文リスト
- Addressing Class Imbalance and Data Limitations in Advanced Node Semiconductor Defect Inspection: A Generative Approach for SEM Images [0.10555513406636088]
限られたデータ構造内で拡散モデルを用いて合成半導体SEM画像を生成する手法を提案する。
従来のシミュレーション手法による画像とは対照的に,提案手法により生成されたSEM画像は実SEM画像とよく似ており,そのノイズ特性と表面粗さを適応的に再現する。
論文 参考訳（メタデータ） (2024-07-14T22:25:05Z) - Single-image camera calibration with model-free distortion correction [0.0]
本稿では,センサ全体をカバーする平面スペックルパターンの単一画像から,キャリブレーションパラメータの完全な集合を推定する方法を提案する。
デジタル画像相関を用いて校正対象の画像点と物理点との対応を求める。
プロシージャの最後には、画像全体にわたって、密度が高く均一なモデルフリーな歪みマップが得られる。
論文 参考訳（メタデータ） (2024-03-02T16:51:35Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Differentiable Electron Microscopy Simulation: Methods and Applications
for Visualization [40.8023670606058]
そこで本研究では,微視的形態で原子モデルを記述することのできる新しい顕微鏡シミュレーションシステムを提案する。
このシステムはスケーラブルで、数十のウイルス粒子の電子顕微鏡シミュレーションを表現でき、以前の方法よりも高速に画像を合成できる。
論文 参考訳（メタデータ） (2022-05-08T12:39:04Z) - 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) - Image-to-Image Regression with Distribution-Free Uncertainty
Quantification and Applications in Imaging [88.20869695803631]
真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。
画像から画像への回帰を3つのタスクで評価する。
論文 参考訳（メタデータ） (2022-02-10T18:59:56Z) - Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography [1.8830359888767887]
光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
論文 参考訳（メタデータ） (2021-11-08T02:05:58Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳（メタデータ） (2021-03-22T18:06:58Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。