論文の概要: Unsupervised Deep Learning for Limited-Angle STEM-EDX Tomography -- Application to 3D Chemical Analysis of Phase-Change Memory Devices
- arxiv url: http://arxiv.org/abs/2606.10547v1
- Date: Tue, 09 Jun 2026 08:16:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.385474
- Title: Unsupervised Deep Learning for Limited-Angle STEM-EDX Tomography -- Application to 3D Chemical Analysis of Phase-Change Memory Devices
- Title（参考訳）: 有限角STEM-EDXトモグラフィのための教師なし深層学習 -位相変化記憶素子の3次元化学解析への応用-
- Authors: Daniel del Pozo Bueno, Serge Brosset, Theo Monniez, Gabriele Navarro, Philippe Ciuciu, Zineb Saghi,
- Abstract要約: 本稿では,制限角STEM-EDXトモグラフィの総変分正則化を前提として,Deep Image Priorに基づく教師なしディープラーニングフレームワークを提案する。
空間相関を利用して複数の要素マップを共同で再構成する多チャンネル定式化(DIPm-TV)に拡張する。
本手法は,中程度の雑音下では,約100円前後の角度範囲に相当し,致命的な欠点を補うものである。
- 参考スコア（独自算出の注目度）: 0.9312563458390898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy Dispersive X-ray (EDX) tomography in Scanning Transmission Electron Microscopy (STEM) enables 3D compositional and elemental mapping at the nanoscale, but its use is limited by restricted tilt ranges and low-dose conditions required to avoid beam damage. Limited-angle acquisition introduces missing-wedge artefacts such as elongation and anisotropic resolution, while noisy low-dose data further degrade reconstruction quality and quantitative reliability. Here, we introduce an unsupervised deep learning framework based on Deep Image Prior with total variation regularization (DIP-TV) for limited-angle STEM-EDX tomography. We extend it to a multi-channel formulation (DIPm-TV) that jointly reconstructs multiple elemental maps by exploiting spatial correlations. Using a synthetic 3-channel phantom, we show that the method compensates for severe missing-wedge artefacts corresponding to approximately $100^\circ$ of missing angular range under moderate noise, outperforming simultaneous iterative reconstruction technique and compressed sensing approaches. We apply the method to 3D chemical analysis of Ge-Sb-Te (GST) memory devices in virgin (as-fabricated) and SET (crystalline) operational states. Samples were prepared as cross-sectional focused ion beam lamellae and acquired under a limited-angle tilt range from $-40^\circ$ to $+40^\circ$ with $5^\circ$ steps and a dose of $2.0\times10^5$ $e^-/Ang^2$. The multi-channel approach enables voxel-by-voxel elemental reconstruction using only EDX signals without external structural priors such as high-angle annular dark-field imaging. The reconstructed volumes show near-isotropic spatial resolution and reveal compositional heterogeneities associated with device operation. This approach enables 3D chemical characterization in experimentally accessible sample geometries where conventional methods fail due to severe angular limitations.
- Abstract（参考訳）: 走査透過電子顕微鏡(STEM)におけるエネルギー分散X線トモグラフィー(EDX)は、ナノスケールでの3次元合成および元素マッピングを可能にするが、ビーム損傷を避けるのに必要な傾斜範囲と低線量条件によって制限されている。
有限角取得は、伸長や異方性分解のような欠落したウィッジアーチファクトを導入し、ノイズの多い低線量データは、再構築品質と定量的信頼性をさらに低下させる。
本稿では,STEM-EDXトモグラフィのためのDIP-TVを用いた教師なしディープラーニングフレームワークを提案する。
空間相関を利用して複数の要素マップを共同で再構成する多チャンネル定式化(DIPm-TV)に拡張する。
合成3チャンネルファントムを用いて,約100ドル(約1万1000円)相当の難解なアーチファクトを適度な雑音下で補償し,同時反復再建法,圧縮センシング法を改良した。
本稿では,Ge-Sb-Te(GST)メモリ素子の3次元化学分析に本手法を適用した。
試料は, 断面集束イオンビームラメラとして調製され, 制限角度の傾き範囲を$-40^\circ$から$+40^\circ$に, 5^\circ$と$2.0\times10^5$$e^-/Ang^2$に設定した。
マルチチャネルアプローチにより、高角角角暗視野画像などの外部構造的先行を伴わないEDX信号のみを用いたボクセル・バイ・ボクセル素子の再構成が可能となる。
再構成されたボリュームは、ほぼ等方的な空間分解能を示し、デバイス操作に関連する構成的不均一性を明らかにする。
提案手法により, 従来手法では角度制限が厳しいため, 3次元の化学特性評価が可能となる。
関連論文リスト
- 3D Gaussian Splatting for Annular Dark Field Scanning Transmission Electron Microscopy Tomography Reconstruction [13.051560405222775]
ADF-STEMトモグラフィーは多視点傾斜画像を統合することで3次元のナノスケール材料を再構成する。
傾斜角の散乱を安定化し、散乱ビュー正規化による一貫したデンザを確保するために$$係数を導入する。
45-viewと15-viewの傾きシリーズの実験では、デンザ・ガウシアンは元の傾きとより密接な2次元のプロジェクションと高忠実さの再現を行う。
論文 参考訳（メタデータ） (2026-04-06T14:01:43Z) - DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。
ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。
本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
論文 参考訳（メタデータ） (2026-03-05T03:41:08Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - EMGauss: Continuous Slice-to-3D Reconstruction via Dynamic Gaussian Modeling in Volume Electron Microscopy [41.838228673736076]
本稿では,平面走査型2次元スライスからの3次元再構成のための一般的なフレームワークであるEMGaussについて紹介する。
我々の重要な革新は、ガウススプラッティングに基づく3次元動的シーンレンダリング問題としてスライス・ツー・3D再構成を再構成することである。
EMGausは拡散およびGANに基づく再構成法と比較して、品質を大幅に向上し、連続的なスライス合成を可能にし、大規模プレトレーニングの必要性を排除している。
論文 参考訳（メタデータ） (2025-12-07T06:39:57Z) - Limited-Angle Tomography Reconstruction via Projector Guided 3D Diffusion [26.292892614609283]
有限角電子トモグラフィーは、透過電子顕微鏡(TEM)の2次元投影から傾斜角の制限範囲内で3次元形状を再構成することを目的としている。
ディープラーニングアプローチは、これらのアーティファクトを緩和する有望な結果を示している。
本稿では,新しい3次元拡散に基づく反復再構成フレームワークTEMDiffを提案する。
論文 参考訳（メタデータ） (2025-10-07T23:27:28Z) - Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。
現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。
本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文 参考訳（メタデータ） (2025-09-11T23:12:55Z) - Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [51.95884144860506]
3次元コーンビームCT(CBCT)におけるリングアーティファクトの意義
既存のSOTA(State-of-the-art)リングアーティファクトリダクション(RAR)法は、大規模なペアCTデータセットによる教師あり学習に依存している。
本研究では,新しい教師なしRAR手法であるRinerを提案する。
論文 参考訳（メタデータ） (2024-12-08T08:22:58Z) - Near-Isotropic Sub-Ångstrom 3D Resolution Phase Contrast Imaging Achieved by End-to-End Ptychographic Electron Tomography [0.0]
透過電子顕微鏡を用いた3次元原子分解能イメージングは、困難な実験を必要とするユニークな能力である。
本研究では,4D-STEMデータセットから直接試料の静電ポテンシャル体積を再構築するエンド・ツー・エンド手法を提案する。
論文 参考訳（メタデータ） (2024-07-28T05:51:15Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction [60.95625458395291]
計算トモグラフィー(CT)では、フォワードモデルは線形変換と、ベル=ランベルト法則に従って光の減衰に基づく指数非線形性によって構成される。
金属クラウンを用いた人間の頭蓋骨の商業的再構築と比較すると,このアプローチは金属人工物を減らすことが示されている。
論文 参考訳（メタデータ） (2023-10-06T00:47:57Z)
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。