低电子剂量 LC-TEM 原位图像的机器学习优化
计算机视觉与模式识别
2023-11-01 v1
摘要
我们研究了一种机器学习（ML）技术，用于优化利用液相电池透射电子显微镜（LC-TEM）进行原位观察时所获取的图像。我们的模型采用 U-Net 架构和 ResNet 编码器构建。为训练 ML 模型，我们制备了一个原始图像数据集，其中包含有溶液存在和无溶液存在时获取的样品图像对。前者用作含噪图像，后者用作对应的真实图像。图像对集合的数量为 ，这些集合包含在若干不同放大倍数和电子剂量下获取的图像。训练后的模型将含噪图像转换为清晰图像。转换所需时间约为 10ms 量级，我们将该模型应用于使用 Gatan DigitalMicrograph（DM）软件的原位观察。即便因低电子剂量而在 DM 软件视窗中不可见的纳米颗粒，在我们 ML 模型生成的连续优化图像中也可被看见。
引用
@article{arxiv.2310.20279,
title = {Machine learning refinement of in situ images acquired by low electron dose LC-TEM},
author = {Hiroyasu Katsuno and Yuki Kimura and Tomoya Yamazaki and Ichigaku Takigawa},
journal= {arXiv preprint arXiv:2310.20279},
year = {2023}
}
备注
33 pages, 9 figures