SAGE-GAN：面向空间有序纳米颗粒的注意力引导生成对抗网络

对纳米颗粒进行精确分析对于纳米材料开发至关重要。然而，这一任务仍具有挑战性，主要由于手动方法耗时且传统自动分割技术在处理复杂形状和图像伪影方面存在局限。虽然传统方法虽然取得了有希望的成果，但它们依赖于大量标记训练数据，这既难以获取又耗时繁琐。为克服这些挑战，我们开发了一个两步解决方案：首先，我们的系统使用受自注意力驱动的U-Net架构从真实图像数据集中学习分割关键特征，该架构专注于重要的物理和形态细节，同时忽略背景特征和噪声。其次，将该训练好的注意力U-Net嵌入到基于循环一致性的生成对抗网络（CycleGAN）框架中，灵感来自Abzargar等人介绍的cGAN-Seg模型。这种集成允许创建高度逼真的合成电子显微镜图像-掩码对，这些图像自然反映注意力U-Net所学习的结构模式。因此，模型能够准确检测多样化的真实纳米颗粒图像中的特征，并能够在不需人工输入的情况下自主增强训练数据集。循环一致性 enforces 合成图像与真实掩码之间的直接对应关系，确保具有逼真特征，这对于准确分割训练至关重要。