增强电子显微镜的原子分辨率：一种频域深度学习去噪器

原子分辨率电子显微镜，特别是高角环形暗场扫描透射电子显微镜，已成为许多科学领域的重要工具，当需要直接可视化原子排列和缺陷时，因为它们决定了材料的功能和力学行为。然而，实现这种精度常常受到噪声的阻碍，这些噪声源于电子显微镜采集的限制，特别是在对束流敏感材料或轻原子成像时。在这项工作中，我们提出了一种基于深度学习的去噪方法，该方法使用在模拟数据上训练的卷积神经网络 U-Net 在频域中运行。为了生成训练数据集，我们模拟了各种材料、晶体学取向和成像条件下的 FFT 图案，并引入噪声和漂移伪影以精确模拟实验场景。该模型经过训练以识别相关的频率分量，然后通过在频域中应用逐元素乘法来增强实验图像。该模型通过识别和放大相关的频率分量来增强实验图像，显著提高了信噪比，同时保持了结构完整性。该方法应用于 Ge 量子阱和 WS2 单层，有助于更精确的应变量化分析，这对于评估功能器件性能（例如 SiGe 量子阱中的量子特性）至关重要，并能够清晰识别束流敏感材料中的轻原子。我们的结果证明了基于频率的自动化深度学习去噪作为原子分辨率纳米材料分析的有用工具的潜力。