論文の概要: Context-Aware Deep Learning for Defect Classification in Atomic-Resolution STEM

• arxiv url: http://arxiv.org/abs/2606.09419v1
• Date: Mon, 08 Jun 2026 12:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.05956
• Title: Context-Aware Deep Learning for Defect Classification in Atomic-Resolution STEM
• Title（参考訳）: 原子分解STEMにおける欠陥分類のための文脈認識深層学習
• Authors: Jiadong Dan, Cheng Zhang, Leyi Loh, Ivan Verzhbitskiy, Yuan Chen, Goki Eda, Michel Bosman, N. Duane Loh,
• Abstract要約: コントラストと合成、ビームエネルギー、検出器幾何を記述するメタデータを統合した文脈認識学習フレームワークを開発した。 文脈変数の条件付けは、欠陥分類を不適切な画像のみのタスクから、よく提示され、物理的にグラデーションされた問題へと変換することを示す。
• 参考スコア（独自算出の注目度）: 6.1276675318523965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence is rapidly advancing materials characterization, yet most applications in electron microscopy rely solely on image contrast, overlooking the chemical and experimental context that shapes image formation. This limitation makes defect classification inherently ambiguous, as similar contrasts can arise from different materials or imaging conditions. Here we develop a context-aware learning framework that integrates image-derived contrast with metadata describing composition, beam energy, and detector geometry. Using a systematically constructed dataset of ~55 million simulated patches spanning 576 cases across 96 doped monolayer transition-metal dichalcogenides, we show that conditioning on contextual variables transforms defect classification from an ill-posed image-only task into a well-posed, physically grounded problem. The framework achieves over 98% accuracy on simulations and near-human agreement on experimental data, with a 94% reduction in posterior entropy. By emphasizing contextual grounding over architectural complexity, this approach links experimental image contrast to the underlying chemical and imaging conditions, supporting physically grounded defect assignments and a general pathway toward multimodal AI models for autonomous materials characterization.
• Abstract（参考訳）: 人工知能は急速に材料の特徴付けを進めつつあるが、電子顕微鏡のほとんどの応用は画像のコントラストのみに依存しており、画像形成を形作る化学的、実験的文脈を見渡している。 この制限は、異なる材料や撮像条件から同様のコントラストが生じるため、欠陥分類を本質的に曖昧にする。 本稿では、コントラストと合成、ビームエネルギー、検出器幾何を記述するメタデータを統合する文脈認識学習フレームワークを開発する。 96のドープ単層遷移金属ジアルコゲナイドにまたがる576のケースにまたがる約5500万のシミュレートされたパッチを体系的に構築したデータセットを用いて、文脈変数の条件付けにより、画像のみのタスクから欠陥分類を、適切に仮定された物理的根拠のある問題へと変換することを示した。 このフレームワークは、シミュレーションにおける98%以上の精度と、実験データに対するほぼ人間に近い一致を達成し、後部エントロピーの94%の削減を実現している。 アーキテクチャ上の複雑さに対する文脈的基盤を強調することにより、基礎となる化学・イメージング条件とは対照的に、物理的に基底付けられた欠陥割り当てをサポートし、自律的な材料評価のためのマルチモーダルAIモデルへの一般的な経路を実験画像に関連付ける。

関連論文リスト

• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• Standardizing Medical Images at Scale for AI [3.26654570054705]
  本稿では,PhyCVアルゴリズムのファミリに基づく物理データ前処理フレームワークを提案する。 光学物理学から導かれる決定論的変換によって医療画像の標準化を行う。 分布外乳がん分類の精度を70.8%から90.9%に改善し、データ拡張とドメイン一般化のアプローチに適合または超える。
  論文  参考訳（メタデータ） (2026-03-16T22:51:52Z)
• Architectural Unification for Polarimetric Imaging Across Multiple Degradations [54.83037963738918]
  複数の劣化シナリオにまたがって構造的に共有される偏光イメージングのための統一的なアーキテクチャフレームワークを提案する。 このモデルは、単一ステージのジョイントイメージ・ストークス処理を実行し、エラーの蓄積を回避し、物理的一貫性を明示的に保持する。
  論文  参考訳（メタデータ） (2026-03-06T02:38:57Z)
• Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
  本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。 自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。 データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
  論文  参考訳（メタデータ） (2025-11-03T07:20:38Z)
• Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
  本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。 人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。 本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
  論文  参考訳（メタデータ） (2025-03-08T13:04:20Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Intrinsic Image Diffusion for Indoor Single-view Material Estimation [55.276815106443976]
  室内シーンの外観分解のための生成モデルIntrinsic Image Diffusionを提案する。 1つの入力ビューから、アルベド、粗さ、および金属地図として表される複数の材料説明をサンプリングする。 提案手法は,PSNRで1.5dB$,アルベド予測で45%のFIDスコアを達成し,よりシャープで,より一貫性があり,より詳細な資料を生成する。
  論文  参考訳（メタデータ） (2023-12-19T15:56:19Z)
• A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
  バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。 システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。 2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
  論文  参考訳（メタデータ） (2022-11-08T09:54:34Z)
• Amortized Inference for Heterogeneous Reconstruction in Cryo-EM [36.911133113707045]
  低温電子顕微鏡(cryo-EM)は、タンパク質やその他の生命の構成要素の力学に関する洞察を提供する。 生物分子のポーズ、3次元構造、配座の不均一性を共同で推定するアルゴリズムの課題は未解決のままである。 この方法であるCryoFIREは、不動化フレームワークで未知のポーズを伴って、ab initioheregeneous Restructionを行う。 精度を損なうことなく、何百万もの画像を含むデータセットに対して、1桁のスピードアップを提供できることを示す。
  論文  参考訳（メタデータ） (2022-10-13T22:06:38Z)
• A Survey on Intrinsic Images: Delving Deep Into Lambert and Beyond [8.313161485540338]
  内在画像や内在画像の分解は、伝統的にイメージを2つの層に分解する問題として説明されてきた。 近年,これらの分離の精度を高めるため,ディープラーニング技術が広く応用されている。 画像形成プロセスにおいて,より高度な物理原理を持つコンポーネントの可能性に対する意識が高まっていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T17:26:35Z)
• Quantification of MagLIF morphology using the Mallat Scattering Transformation [0.0]
  我々は,Mallat Scattering Transformation (MST)に基づく画像形態計測尺度を開発した。 本研究では,実験画像と実験画像とを定量的に比較し,実験画像の形態パラメータを不確実性で推定する。
  論文  参考訳（メタデータ） (2020-04-13T15:41:14Z)

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。