深度学习超采样扫描透射电子显微镜

压缩感知能够以最小的信息损失提高电子显微镜点扫描系统的分辨率，并降低电子剂量和扫描时间。基于深度学习在压缩感知中成功应用的历史，我们开发了一种两阶段多尺度生成对抗网络，以将点扫描覆盖率降低至1/16、1/25、…、1/100像素的扫描透射电子显微图像进行超采样。我们提出了一种新颖的非对抗学习策略来训练一个适用于多种覆盖率的统一生成器，并引入一个辅助网络来均衡具有不同信噪比的训练数据优先级。这在1/16像素和1/100像素覆盖率下分别实现了3.23%和4.54%的均方根误差；与为每个覆盖率单独训练的网络的误差相差在1%以内。我们给出了统一和单独覆盖率生成器的详细误差分布，包括每个输出像素的误差。此外，我们给出了单覆盖率的基线单阶段网络，并研究了网络服务的数值精度。源代码、训练数据和预训练模型可在 https://github.com/Jeffrey-Ede/DLSS-STEM 公开获取。