論文の概要: Spatial-Frequency Learning for Scanning Transmission Electron Microscopy Image Enhancement
- arxiv url: http://arxiv.org/abs/2610.36487v1
- Date: Tue, 27 Oct 2026 01:43:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.22176
- Title: Spatial-Frequency Learning for Scanning Transmission Electron Microscopy Image Enhancement
- Title（参考訳）: 走査型透過電子顕微鏡画像強調のための空間周波数学習
- Abstract要約: STEM画像強調のための空間周波数学習フレームワークを提案する。
具体的には、周波数領域における周期的原子配列を利用する空間周波数融合ネットワークを設計する。
また,よりリアルなSTEM画像に対するSTEMノイズキャリブレーション手法を提案する。
- 参考スコア（独自算出の注目度）: 14.201420295968942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scanning Transmission Electron Microscopy (STEM) enables the observation of atomic arrangements at sub-angstrom resolution and plays a key role in the discovery and characterization of advanced materials. Raw STEM images are often noisy and blurred due to multiple degradations. Although recent deep learning methods improve STEM images, their performance remains limited under severe degradations. In this work, we propose a spatial-frequency learning framework for STEM image enhancement. Specifically, we design a spatial-frequency fusion network that exploits periodic atomic arrangements in the frequency domain and restores local atomic details in the spatial domain. Spatial- and frequency-domain features are enhanced separately and then fused. We also present a STEM noise calibration method for synthesizing more realistic STEM images. The parameters of scan noise, pointwise noise, and background noise are estimated through statistical analysis and fitting of real STEM images. Using these calibrated parameters, we construct a diverse dataset containing a wider range of atomic arrangements, imaging modes, and degradations. Random masks combine different atomic arrangements to simulate interfaces between multiple materials. Experimental results demonstrate that our method achieves state-of-the-art enhancement performance on synthetic datasets and real images of advanced materials while improving atomic localization accuracy.
- Abstract（参考訳）: 走査透過電子顕微鏡(STEM)は、サブアングストローム分解における原子配列の観測を可能にし、先進物質の発見とキャラクタリゼーションにおいて重要な役割を果たす。
生STEM画像は、しばしば複数の劣化のためにノイズが多く、ぼやけている。
最近の深層学習法はSTEM画像を改善するが、その性能は深刻な劣化の下で制限されている。
本研究では,STEM画像強調のための空間周波数学習フレームワークを提案する。
具体的には、周波数領域における周期的な原子配列を利用して、空間領域における局所的な原子の詳細を復元する空間周波数融合ネットワークを設計する。
空間領域と周波数領域の特徴は別々に拡張され、融合される。
また,よりリアルなSTEM画像の合成のためのSTEMノイズキャリブレーション手法を提案する。
実STEM画像の統計的解析と適合により, スキャンノイズ, ポイントワイドノイズ, バックグラウンドノイズのパラメータを推定する。
これらのパラメータを用いて、より広い範囲の原子配列、イメージングモード、劣化を含む多様なデータセットを構築する。
ランダムマスクは異なる原子配列を組み合わせて、複数の材料間の界面をシミュレートする。
実験により,本手法は原子局在化精度を向上しつつ,合成データセットと先端材料の実画像の最先端化性能を向上することを示した。
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) - 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) - Learning Multi-scale Spatial-frequency Features for Image Denoising [58.883244886588336]
本稿では,マルチスケール適応型デュアルドメインネットワーク(MADNet)を提案する。
画像ピラミッド入力を用いて低解像度画像からノイズのない結果を復元する。
高周波情報と低周波情報の相互作用を実現するために,適応型空間周波数学習ユニットを設計する。
論文 参考訳（メタデータ） (2025-06-19T13:28:09Z) - 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) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - STEM image analysis based on deep learning: identification of vacancy
defects and polymorphs of ${MoS_2}$ [0.49583061314078714]
2次元結晶の重要な構造的特徴の同定に完全畳み込みネットワーク(FCN)を適用した。
FCNは、様々なレベルのノイズ、収差、炭素汚染の存在下でのシミュレーション画像で訓練されている。
広範囲な実験STEM画像に対するFCNモデルの精度は、注意深いハンズオン分析の精度に匹敵する。
論文 参考訳（メタデータ） (2022-06-09T04:43:56Z) - Finding simplicity: unsupervised discovery of features, patterns, and
order parameters via shift-invariant variational autoencoders [0.0]
画像の特徴的反復特徴を解消するシフト不変変分オートエンコーダ (shift-VAE) を開発した。
対象物の位置の不確実性と形状復元の不確実性とのバランスを, シフトVAEが示す。
論文 参考訳（メタデータ） (2021-06-23T15:39:07Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-03-15T23:07:56Z)
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。