基于深度学习的实验显微图去噪
材料科学
2025-07-03 v2
摘要
晶体结构成像是材料科学中的关键环节，但实验图像常引入噪声，遮蔽关键结构细节。本研究提出一种新型深度学习方法，用于功能性晶体结构图像去噪，结合相场仿真、傅里叶变换技术以及注意力神经网络。该创新框架通过将计算相场晶体结构与实验光学显微图组合，合成生成训练数据，以解决数据集限制问题。神经网络架构包含注意力机制，能够动态聚焦于重要晶体结构特征，系统性地消除如划痕和表面瑕疵等噪声类型。在 FeMnNi 合金体系的测试中，模型展现出在多个放大倍率下的卓越性能。成功地在保持晶界完整性的前提下去除多样化的噪声模式，为材料科学领域提供了一个可推广的深度学习晶体结构图像增强框架。
引用
@article{arxiv.2503.17945,
title = {Deep Learning Assisted Denoising of Experimental Micrographs},
author = {Owais Ahmad and Albert Linda and Saumya Ranjan Jha and Somnath Bhowmick},
journal= {arXiv preprint arXiv:2503.17945},
year = {2025}
}