論文の概要: Statistical Characteristic-Guided Denoising for Rapid High-Resolution Transmission Electron Microscopy Imaging

• arxiv url: http://arxiv.org/abs/2603.18834v1
• Date: Thu, 19 Mar 2026 12:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.142752
• Title: Statistical Characteristic-Guided Denoising for Rapid High-Resolution Transmission Electron Microscopy Imaging
• Title（参考訳）: 高速高分解能電子顕微鏡イメージングのための統計的特性誘導型デノナイジング
• Authors: Hesong Li, Ziqi Wu, Ruiwen Shao, Ying Fu,
• Abstract要約: 高分解能透過電子顕微鏡は核生成ダイナミクスの原子スケール観察を可能にする。 核形成のミリ秒スケールの急激な変化のため、短時間の露光高速イメージングが必要であり、原子の位置を隠蔽する激しいノイズを引き起こす。 本稿では,空間領域と周波数領域の両方においてデノナイジング過程を導くための統計的特徴誘導型デノナイジングネットワークを提案する。
• 参考スコア（独自算出の注目度）: 13.284885098118997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-Resolution Transmission Electron Microscopy (HRTEM) enables atomic-scale observation of nucleation dynamics, which boosts the studies of advanced solid materials. Nonetheless, due to the millisecond-scale rapid change of nucleation, it requires short-exposure rapid imaging, leading to severe noise that obscures atomic positions. In this work, we propose a statistical characteristic-guided denoising network, which utilizes statistical characteristics to guide the denoising process in both spatial and frequency domains. In the spatial domain, we present spatial deviation-guided weighting to select appropriate convolution operations for each spatial position based on deviation characteristic. In the frequency domain, we present frequency band-guided weighting to enhance signals and suppress noise based on band characteristics. We also develop an HRTEM-specific noise calibration method and generate a dataset with disordered structures and realistic HRTEM image noises. It can ensure the denoising performance of models on real images for nucleation observation. Experiments on synthetic and real data show our method outperforms the state-of-the-art methods in HRTEM image denoising, with effectiveness in the localization downstream task. Code will be available at https://github.com/HeasonLee/SCGN.
• Abstract（参考訳）: 高分解能透過電子顕微鏡(HRTEM)は核生成ダイナミクスの原子スケール観察を可能にし、高度な固体物質の研究を促進する。 それでも、ミリ秒スケールの核形成の急激な変化のため、短時間の露光高速イメージングが必要であり、原子の位置を曖昧にする激しいノイズを引き起こす。 本研究では,空間領域と周波数領域の両方において,統計的特性を利用して復調過程を導出する統計特性誘導型デノナイジングネットワークを提案する。 空間領域では空間偏差誘導重み付けを行い、偏差特性に基づいて各空間位置に対する適切な畳み込み操作を選択する。 周波数領域では周波数帯誘導重み付けを行い、帯域特性に基づく信号の増強と雑音の抑制を行う。 また、HRTEM固有のノイズキャリブレーション法を開発し、乱れた構造と現実的なHRTEM画像ノイズを持つデータセットを生成する。 これにより、実際の画像上でのモデルのノイズ発生性能を保証し、核生成観察を行うことができる。 合成データおよび実データを用いた実験により,HRTEM画像復調における最先端手法よりも優れた性能を示し,下流作業のローカライゼーションに有効であることがわかった。 コードはhttps://github.com/HeasonLee/SCGNで入手できる。

関連論文リスト

• Blind Adaptive Local Denoising for CEST Imaging [10.610885440782125]
  CEST(Chemical Exchange Saturation Transfer) MRIは、プロトン交換ダイナミクスを利用した低濃度代謝物の分子レベルでの可視化を可能にする。 従来のデノナイジング法は、この複雑なノイズのために設計されておらず、しばしば生体医学的分析において重要な基礎となる情報を変更する。 本稿では,これらの制約を克服するために,Blind Adaptive Local Denoising (BALD)法を提案する。
  論文  参考訳（メタデータ） (2025-11-25T08:52:46Z)
• Noise Calibration and Spatial-Frequency Interactive Network for STEM Image Enhancement [8.497362811837627]
  本稿では,STEM画像のノイズキャリブレーション,データ合成,拡張手法について述べる。 まず,よりリアルなSTEM画像の合成に用いるSTEMノイズキャリブレーション法を提案する。 次に、これらのパラメータを用いて、通常の原子配列とランダムな原子配列の両方を考慮したより一般的なデータセットを開発する。 最後に,STEM画像強調のための空間周波数対話型ネットワークを設計し,原子配列の周期性によって形成される周波数領域の情報を探索する。
  論文  参考訳（メタデータ） (2025-04-03T13:11:57Z)
• Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks [15.700048595212051]
  相関スペクトルと空間情報を利用した自己変調畳み込みニューラルネットワークを提案する。 モデルの中心には新しいブロックがあり、隣り合うスペクトルデータに基づいて、ネットワークが適応的に特徴を変換することができる。 合成データと実データの両方の実験解析により,提案したSM-CNNは,他の最先端HSI復調法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-15T06:57:43Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal [20.043152870504738]
  本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。 これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。 提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
  論文  参考訳（メタデータ） (2021-09-18T08:35:45Z)

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。