基于傅里叶的全局去噪模型用于显微镜图像的智能去除人工 artifact
图像与视频处理
2025-11-14 v1 机器学习
摘要
显微镜学，如扫描 tunneling 显微镜 (STM)、原子力显微镜 (AFM) 和扫描电子显微镜 (SEM)，是实现微纳米尺度材料成像、提取物理知识和材料结构性能关系的 essential 工具。然而，调节显微镜控制参数（如扫描速度、电流设定点、针尖偏置等）以获得高质量图像是一种既费时又具挑战性的工作。另一方面，面对次优质图像，关键特征因噪声和 artifact 而无法准确发现，导致误分析。现有去噪模型大多将弱信号建模为噪声，同时强化信号作为关键特征，但这在显微镜图像中并不总是适用，可能完全消除大量隐藏的物理信息。为此，我们提出一种全局去噪模型 (GDM)，在保留弱但物理上重要特征的同时智能去除显微镜图像的 artifact。该模型基于 1) 首先设计两种非配对且目标特定的预处理图像输入通道，可定义两种通道之间的用户定义权衡信息，以及 2) 将基于像素和快速傅里叶变换 (FFT) 的损失函数集成到训练 U-net 模型中。我们将所提出的 GDM 与在铜 (Cu) 和硅 (Si) 材料上生成的 STM 图像、针对 Pantoea sp.YR343 生物膜的 AFM 图像以及针对塑料降解图像的 SEM 图像进行比较。我们相信该所提出的工作流程可扩展到改进其他显微镜图像质量，并通过所提出的设计灵活性，允许通过领域专家偏好进行智能调谐。
引用
@article{arxiv.2511.09734,
title = {A Fourier-Based Global Denoising Model for Smart Artifacts Removing of Microscopy Images},
author = {Huanhuan Zhao and Connor Vernachio and Laxmi Bhurtel and Wooin Yang and Ruben Millan-Solsona and Spenser R. Brown and Marti Checa and Komal Sharma Agrawal and Adam M. Guss and Liam Collins and Wonhee Ko and Arpan Biswas},
journal= {arXiv preprint arXiv:2511.09734},
year = {2025}
}
备注
21 pages, 9 figures