論文の概要: A Digital Simulation Toolkit for Physics-Based Generation of Realistic Experimental Scanning Tunneling Microscopy Images

• arxiv url: http://arxiv.org/abs/2609.36639v1
• Date: Tue, 29 Sep 2026 03:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 04:28:51.337287
• Title: A Digital Simulation Toolkit for Physics-Based Generation of Realistic Experimental Scanning Tunneling Microscopy Images
• Title（参考訳）: 物理に基づく実測実験トンネル顕微鏡画像生成のためのディジタルシミュレーションツールキット
• Abstract要約: 我々は,現実的な走査トンネル顕微鏡画像を生成するために,低コストな物理駆動型デジタルツールキットを開発した。 選択した材料システムからクリーンなイメージをシミュレートする。 STM実験で得られた人工物と騒音の物理特性を事前に把握し,いくつかの人工物ノイズ関数を定式化する。 これらのノイズ成分は、シミュレートされたクリーン画像に追加され、現実的なSTM画像を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scanning Tunneling Microscopy (STM) is a widely used tool for characterizing surfaces of materials at the atomic scale, playing a crucial role in discoveries across condensed matter physics and materials science. Despite its extreme spatial resolution, STM is one of the most sensitive microscopy techniques and is highly prone to noise. While existing unsupervised denoising methods are very cheap to train, these are primarily focused on removing the noise with minimal recovery of key physical information. While supervised methods can offer superior performance, the major bottleneck is that a large amount of paired clean-noisy experimental images is required which are impractical to obtain. Thus, we developed a low-cost physics-driven digital toolkit to rapidly generate large volume of realistic STM images. Firstly, we simulate clean images from a chosen material system. Then, with prior knowledge of the physical characteristics of the artifacts and noise present in STM experiments, we formulate several artifact-noise functions such as Gaussian electronic noise, 1/f flicker noise, scan-line noise, background tilt and mechanical drift. These physically informed noise components are then added to the simulated clean images to generate realistic STM images. We demonstrated the capability of the proposed digital toolkit to generate AI-ready data for denoising images of the (111) surfaces of copper and lead, while preserving atoms, defects, and electron waves. We also validated the quality of the downstream image analysis of learning electron wave patterns induced by quantum interference from Cu(111) images. Results show that the supervised models trained on digitally generated AI-ready data can more effectively denoise and learn electron wave patterns on Cu(111) images than benchmarked unsupervised approaches, indicating that the proposed toolkit facilitate scientific discovery.
• Abstract（参考訳）: 走査トンネル顕微鏡(STM、Scanning Tunneling Microscopy)は、物質の表面を原子スケールで特徴づけるために広く用いられるツールであり、凝縮物質物理学や物質科学における発見において重要な役割を果たしている。 極端に空間分解能があるにもかかわらず、STMは最も感度の高い顕微鏡技術の一つであり、ノイズに非常に敏感である。 既存の教師なしの遮音法は訓練に非常に安価であるが、これらは主に重要な物理情報の最小限の回復を伴うノイズ除去に重点を置いている。 教師付き手法は優れた性能が得られるが、大きなボトルネックは、取得できない大量のペアの清潔な実験画像が必要であることである。 そこで我々は,大量の現実的なSTM画像を生成するために,低コストな物理駆動型デジタルツールキットを開発した。 まず,選択した材料システムからクリーンな画像をシミュレートする。 次に,STM実験における人工物と騒音の物理的特性を事前に把握し,ガウス電子ノイズ,1/fフリックノイズ,走査線ノイズ,背景傾き,機械的ドリフトなどの人工物ノイズ関数を定式化する。 これらのノイズ成分は、シミュレートされたクリーン画像に追加され、現実的なSTM画像を生成する。 提案手法は, 原子, 欠陥, 電子波を保存しながら, 銅と鉛の111面の像をデノナイズするためのAI対応データを生成する。 また、Cu(111)画像からの量子干渉による学習電子波パターンの下流画像解析の精度を検証した。 その結果、デジタル生成したAI対応データに基づいてトレーニングされた教師付きモデルは、ベンチマークされた教師なしアプローチよりも、Cu(111)画像上の電子波パターンをより効果的に識別し学習し、提案手法が科学的発見を促進することを示した。

関連論文リスト

• Statistical Characteristic-Guided Denoising for Rapid High-Resolution Transmission Electron Microscopy Imaging [13.284885098118997]
  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。
  論文  参考訳（メタデータ） (2026-03-19T12:36:23Z)
• Denoising the Deep Sky: Physics-Based CCD Noise Formation for Astronomical Imaging [47.83642412662346]
  学習ベースのdenoisingは有望だが、ペアのトレーニングデータが不足しているため、進歩は妨げられている。 CCDノイズ生成に適した物理に基づくノイズ合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T18:47:54Z)
• A Fourier-Based Global Denoising Model for Smart Artifacts Removing of Microscopy Images [2.7775958728515335]
  高品質な画像を得るために顕微鏡制御をチューニングするのは、簡単で時間を要する作業である。 既存のデノイングモデルは、弱い信号をノイズとして一般化することに主に基づいている。 より弱いが物理的に重要な特徴を保ちながら、顕微鏡画像のアーティファクトを巧みに除去するグローバルデノナイジングモデル(GDM)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T20:47:29Z)
• 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)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• 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)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Deep Denoising For Scientific Discovery: A Case Study In Electron Microscopy [22.566600256820646]
  本稿では,シミュレーションに基づくDenoising(SBD)フレームワークを提案し,シミュレーション画像に基づいてCNNを訓練する。 SBDは、シミュレーションされたベンチマークデータセットと実際のデータにおいて、既存のテクニックを幅広いマージンで上回る。 TEM画像の最初の公開ベンチマークデータセットをリリースし、18,000のサンプルを含む。
  論文  参考訳（メタデータ） (2020-10-24T19:59:28Z)
• A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising [34.98772175073111]
  CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。 また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
  論文  参考訳（メタデータ） (2020-03-28T09:16:48Z)

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。