論文の概要: A Mixture of Experts Foundation Model for Scanning Electron Microscopy Image Analysis

• arxiv url: http://arxiv.org/abs/2604.05960v1
• Date: Tue, 07 Apr 2026 14:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.894231
• Title: A Mixture of Experts Foundation Model for Scanning Electron Microscopy Image Analysis
• Title（参考訳）: 電子顕微鏡画像解析のためのエキスパート基礎モデルの混合
• Authors: Sk Miraj Ahmed, Yuewei Lin, Chuntian Cao, Shinjae Yoo, Xinpei Wu, Won-Il Lee, Nikhil Tiwale, Dan N. Le, Thi Thu Huong Chu, Jiyoung Kim, Kevin G. Yager, Chang-Yong Nam,
• Abstract要約: 本稿では,SEM画像の最初の基礎モデルについて紹介する。 我々は、自動顕微鏡パイプラインにおいて、デフォーカス・ツー・フォーカス画像翻訳は不可欠だが未発見の課題である。
• 参考スコア（独自算出の注目度）: 16.071217652115457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scanning Electron Microscopy (SEM) is indispensable in modern materials science, enabling high-resolution imaging across a wide range of structural, chemical, and functional investigations. However, SEM imaging remains constrained by task-specific models and labor-intensive acquisition processes that limit its scalability across diverse applications. Here, we introduce the first foundation model for SEM images, pretrained on a large corpus of multi-instrument, multi-condition scientific micrographs, enabling generalization across diverse material systems and imaging conditions. Leveraging a self-supervised transformer architecture, our model learns rich and transferable representations that can be fine-tuned or adapted to a wide range of downstream tasks. As a compelling demonstration, we focus on defocus-to-focus image translation-an essential yet underexplored challenge in automated microscopy pipelines. Our method not only restores focused detail from defocused inputs without paired supervision but also outperforms state-of-the-art techniques across multiple evaluation metrics. This work lays the groundwork for a new class of adaptable SEM models, accelerating materials discovery by bridging foundational representation learning with real-world imaging needs.
• Abstract（参考訳）: 走査型電子顕微鏡(SEM)は、現代の材料科学では不可欠であり、幅広い構造、化学、機能の研究で高解像度のイメージングを可能にする。 しかし、SEMイメージングはタスク固有のモデルや、様々なアプリケーションにまたがるスケーラビリティを制限する労働集約的な獲得プロセスによって制約され続けている。 本稿では,多施設・多条件科学マイクログラフの大規模コーパスで事前訓練されたSEM画像の基盤モデルを紹介し,多種多様な材料システムと撮像条件の一般化を可能にする。 自己教師型トランスフォーマーアーキテクチャを活用することで、当社のモデルは、さまざまな下流タスクに微調整や適応が可能なリッチで転送可能な表現を学習する。 説得力のあるデモとして、自動顕微鏡パイプラインにおいて、デフォーカス・ツー・フォーカスのイメージ翻訳は不可欠だが未探索の課題である。 提案手法は,2対の監視を伴わずに焦点を絞ったインプットから細部を復元するだけでなく,複数の評価指標において最先端技術より優れる。 この研究は、現実の撮像ニーズで基礎表現学習をブリッジすることで、材料発見を加速する新しい種類のSEMモデルの基盤となる。

関連論文リスト

• Uni-AIMS: AI-Powered Microscopy Image Analysis [28.24402780080126]
  高品質な注釈付きデータセットを生成するデータエンジンを開発する。 本研究では,小物体と大物体の両方を頑健に検出できるセグメンテーションモデルを提案する。 我々のソリューションは、画像スケールバーの精度の高い自動認識を支援する。
  論文  参考訳（メタデータ） (2025-05-11T09:35:53Z)
• Deep learning assisted high resolution microscopy image processing for phase segmentation in functional composite materials [8.01747783558987]
  本研究は、トレーニングされたU-Netセグメンテーションモデルを用いて、生高分解能電子顕微鏡(TEM)画像から成分と位相セグメンテーションを検出する新しいワークフローを提案する。 開発したモデルでは、成分の検出と位相セグメンテーションの迅速化が可能であり、広範囲なTEM画像の精査に伴う時間的・認知的要求を低減できる。
  論文  参考訳（メタデータ） (2024-10-02T18:22:04Z)
• Multi-Modal Instruction-Tuning Small-Scale Language-and-Vision Assistant for Semiconductor Electron Micrograph Analysis [0.0]
  半導体製造における電子顕微鏡画像の解析と解釈のための新しい枠組みを提案する。 このフレームワークは、訓練済みのマルチモーダルな大規模言語モデルを活用する、ユニークな教師/学生のアプローチを採用している。
  論文  参考訳（メタデータ） (2024-08-27T15:50:04Z)
• Foundational Model for Electron Micrograph Analysis: Instruction-Tuning Small-Scale Language-and-Vision Assistant for Enterprise Adoption [0.0]
  半導体電子顕微鏡画像(MAEMI)解析のための小型フレームワークについて紹介する。 我々は、顕微鏡画像解析において、大規模なマルチモーダルモデルを用いて、カスタマイズされた命令追従データセットを生成する。 知識蒸留により,より大規模なモデルからより小さなモデルへの知識伝達を行い,視覚的質問応答タスクにおいて,より小さなモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2024-08-23T17:42:11Z)
• MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training [103.72844619581811]
  MLLM(Performant Multimodal Large Language Models)を構築する。 特に,さまざまなアーキテクチャコンポーネントとデータ選択の重要性について検討する。 本稿では,画像キャプチャ,インターリーブ画像テキスト,テキストのみのデータを組み合わせた大規模マルチモーダル事前学習について述べる。
  論文  参考訳（メタデータ） (2024-03-14T17:51:32Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
  電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。 機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。 本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
  論文  参考訳（メタデータ） (2022-07-26T02:10:15Z)

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。