論文の概要: High-Fidelity Synthetic Transmission Electron Microscopy Image Generation Using Diffusion Probabilistic Models for Data-Limited Semiconductor Metrology

• arxiv url: http://arxiv.org/abs/2606.24817v1
• Date: Tue, 23 Jun 2026 17:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:49.108826
• Title: High-Fidelity Synthetic Transmission Electron Microscopy Image Generation Using Diffusion Probabilistic Models for Data-Limited Semiconductor Metrology
• Title（参考訳）: データリミット半導体メトロメトリーにおける拡散確率モデルを用いた高密度透過電子顕微鏡画像生成
• Authors: Johannes Boehm, Bappaditya Dey,
• Abstract要約: 本稿では, 極度のデータ不足下での合成TEM画像生成のための分散拡散確率モデル(DDPM)フレームワークを提案する。 プログレッシブパッチベースのトレーニング戦略は、低解像度のパッチからフルイメージにスケールし、わずか15サンプルでストレートスクラッチトレーニングを可能にする。 合成画像は, MS-SSIM > 0.98 まで到達し, 構造的類似性に整合した定性評価を行う。
• 参考スコア（独自算出の注目度）: 0.7161783472741748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced semiconductor nodes drastically increased demand for Transmission Electron Microscopy (TEM), yet destructive sample preparation, slow imaging and high costs severely limit the availability of diverse datasets needed for downstream machine learning (ML). Synthetic data generation is becoming essential, but current generative models often miss TEM-specific noise, structural detail, and stochastic variability crucial for evaluation. We present a Denoising Diffusion Probabilistic Model (DDPM) framework for synthetic TEM image generation under extreme data scarcity. A progressive patch-based training strategy scales from low-resolution patches to full images, enabling from-scratch training with only 15 samples. We integrate a custom TrivialAugment adaptation, cross-process domain transfer, classifier guidance, and RePaint-style inpainting, culminating in full-image generation that preserves global structural and spatial relationships in compliance with FAB metrology requirements. Beyond synthesis, we repurpose DDPM feature representations for segmentation, partitioning encoder feature maps to obtain coherent region masks. Our synthetic images achieve up to MS-SSIM > 0.98 and qualitative expert assessment consistent with structural similarity results, facilitating downstream ML training for defect detection, segmentation, and metrology while preserving statistical and physical realism.
• Abstract（参考訳）: 高度な半導体ノードは、TEM(Transmission Electron Microscopy)の需要を大幅に増加させたが、破壊的なサンプル準備、スローイメージング、高コストは、下流機械学習(ML)に必要な多様なデータセットの可用性を著しく制限した。 合成データ生成は不可欠になりつつあるが、現在の生成モデルは、TEM特有のノイズ、構造的詳細、確率的変動を欠くことが多い。 本稿では, 極度のデータ不足下での合成TEM画像生成のための分散拡散確率モデル(DDPM)フレームワークを提案する。 プログレッシブパッチベースのトレーニング戦略は、低解像度のパッチからフルイメージにスケールし、わずか15サンプルでストレートスクラッチトレーニングを可能にする。 我々は、FABの気象条件に従って、グローバルな構造的・空間的関係を保ったフル画像生成において、独自のTrivialAugment適応、クロスプロセスドメイン転送、分類器ガイダンス、RePaintスタイルの塗装を統合する。 合成以外にも,分割,分割,エンコーダ特徴写像などのDDPM特徴表現を再利用して,コヒーレントな領域マスクを得る。 我々の合成画像は,MS-SSIM > 0.98と構造的類似性に整合した定性評価を達成し,統計的および物理的リアリズムを保ちながら,欠陥検出,セグメンテーション,気象学の下流MLトレーニングを容易にする。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Physics Informed Generative AI Enabling Labour Free Segmentation For Microscopy Analysis [3.3176565054468714]
  本稿では、シミュレーションと現実のギャップを埋めることのできる、労働自由化のための新しい枠組みを提案する。 我々は、不対向画像画像変換にCycleGAN(Cycle-Consistent Generative Adversarial Network)を用いる。 この合成データに特化して訓練されたU-Netモデルは、目に見えない実験画像に展開する際、顕著な一般化を示した。
  論文  参考訳（メタデータ） (2026-02-02T06:36:06Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Generative Image Restoration and Super-Resolution using Physics-Informed Synthetic Data for Scanning Tunneling Microscopy [2.873869397844946]
  本稿では、画像修復のための機械学習(ML)アプローチと、両方の課題を軽減するための超解像を提案する。 物理インフォームド合成データ生成パイプラインは,いくつかの最先端のフローマッチングおよび拡散モデルの訓練に利用できることを示す。 我々のフレームワークは、STM実験のスループットを大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2025-10-29T19:50:34Z)
• Paired Diffusion: Generation of related, synthetic PET-CT-Segmentation scans using Linked Denoising Diffusion Probabilistic Models [0.0]
  本研究では,複数のPET-CT-腫瘍マスクペアをペアネットワークと条件エンコーダを用いて生成できる新しいアーキテクチャを提案する。 我々のアプローチには、DDPMサンプリング一貫性を改善するための革新的で時間的なステップ制御機構とノイズ探索戦略が含まれる。
  論文  参考訳（メタデータ） (2024-03-26T14:21:49Z)
• Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for Layer Segmentation [2.4113205575263708]
  本稿では,拡散確率モデル(DDPM)を用いて網膜光コヒーレンス断層撮影(OCT)画像を自動的に生成する画像合成手法を提案する。 階層分割の精度を一貫して改善し,様々なニューラルネットワークを用いて検証する。 これらの結果から,網膜CT画像の手動アノテーションの必要性が軽減される可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-09T16:09:24Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• 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)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。