面向 4D-STEM 应用的事件稀疏堆去噪方法
计算机视觉与模式识别
2026-05-05 v2
摘要
我们提出了一种针对四维扫描透射电子显微镜（4D-STEM）的去噪方法，基于处理局部、与扫描位置无关的电子事件稀疏数据堆，称为事件稀疏堆去噪。该方法通过记录多个电子事件稀疏衍射图样，在数据收集过程中引入额外的时间维度。得到的数据集实际上是五维的，称为局部时间分辨 STEM（LTR-STEM）。对每个扫描位置的衍射数据堆使用两种稀疏性去噪管道之一：1）基于密度的空间聚类应用噪声（DBSCAN）算法随后进行多步骤持久性阈值处理，或2）稀疏主成分分析（sparse PCA），随后进行单步骤阈值处理。两种方法在衍射数据去噪方面表现良好，模拟的峰信噪比（PSNR）曲线、去噪后的实验数据用于虚拟成像，以及针对缺陷检测的特定去噪显示出良好效果。PSNR 分析表明，稀疏去噪的 4D-STEM 数据的 PSNR 值与原始数据相当，仅需约 16% 的曝光时间即可实现，显示出与原始数据相当的图像质量，同时降低了剂量。在缺陷检测中，去噪后数据对相对径向位移的灵敏度提高了 4.1 倍。此外，LTR-STEM 技术可用于通过跟踪衍射圆盘强度的变化来检查材料的降解，从而实现关键剂量估计和按暴露选择的成像。
引用
@article{arxiv.2512.10554,
title = {Grounding Everything in Tokens for Multimodal Large Language Models},
author = {Xiangxuan Ren and Zhongdao Wang and Liping Hou and Pin Tang and Guoqing Wang and Chao Ma},
journal= {arXiv preprint arXiv:2512.10554},
year = {2026}
}
备注
19 pages, 16 figures, 12 Tables