面向超低信噪比纳米颗粒 TEM 图像开发与评估基于深度神经网络的去噪方法
材料科学
2025-03-03 v2 图像与视频处理
摘要
我们开发了一种深度卷积神经网络，用于对使用直接电子计数探测器获取的纳米颗粒原子分辨率 TEM 图像数据集进行去噪，适用于图像信号受散粒噪声严重限制的应用场景。该网络应用于 CeO2 负载 Pt 纳米颗粒的模型体系。我们利用多片成像模拟生成大规模且灵活的数据集以训练和测试网络。所提出的网络在模拟与实验测试数据上均显著优于最先进的去噪方法。我们确定了影响性能的因素，其中最重要的是（a）训练所用图像的几何结构以及（b）网络感受野的大小。通过基于梯度的分析，我们探究了网络为对实验图像去噪所学习的机制。这表明网络利用了噪声测量中的全局与局部信息，例如，当在纳米颗粒表面遇到原子级缺陷时，它会调整其滤波方式。我们进行了大量分析以刻画网络正确预测纳米颗粒表面精确原子结构的能力。最后，我们开发了一种基于对数似然比检验的方法，可定量度量噪声观测与网络去噪图像中原子级结构之间的一致性。
引用
@article{arxiv.2101.07770,
title = {Developing and Evaluating Deep Neural Network-based Denoising for Nanoparticle TEM Images with Ultra-low Signal-to-Noise},
author = {Joshua L. Vincent and Ramon Manzorro and Sreyas Mohan and Binh Tang and Dev Y. Sheth and Eero P. Simoncelli and David S. Matteson and Carlos Fernandez-Granda and Peter A. Crozier},
journal= {arXiv preprint arXiv:2101.07770},
year = {2025}
}