用于原子分辨率图像高精度原子分割、定位、去噪与超分辨处理的 TEMImageNet 训练库与 AtomSegNet 深度学习模型
材料科学
2021-02-23 v2 人工智能
计算机视觉与模式识别
摘要
以高精度和鲁棒性对原子分辨率扫描透射电子显微镜（STEM）图像进行原子分割与定位、降噪与去模糊是一项具有挑战性的任务。尽管若干传统算法（如阈值法、边缘检测和聚类）在某些预设场景下可取得合理性能，但当背景干扰强烈且不可预测时往往失效。特别是对于原子分辨率 STEM 图像，迄今尚无公认的足够鲁棒算法能在所记录图像存在较大厚度变化时分割或检测所有原子柱。在此，我们报道了一个训练库和一种深度学习方法的开发，该方法可对实验图像进行鲁棒且精确的原子分割、定位、去噪和超分辨处理。尽管使用模拟图像作为训练数据集，该深度学习模型能自适应实验 STEM 图像，并在具有挑战性的衬度条件下表现出优异的原子检测与定位性能，其精度始终优于当前最先进的二维高斯拟合方法。进一步，我们已将深度学习模型部署为带图形用户界面的桌面应用，该应用免费且开源。我们还构建了 TEM ImageNet 项目网站，便于浏览和下载训练数据。
引用
@article{arxiv.2012.09093,
title = {TEMImageNet Training Library and AtomSegNet Deep-Learning Models for High-Precision Atom Segmentation, Localization, Denoising, and Super-Resolution Processing of Atomic-Resolution Images},
author = {Ruoqian Lin and Rui Zhang and Chunyang Wang and Xiao-Qing Yang and Huolin L. Xin},
journal= {arXiv preprint arXiv:2012.09093},
year = {2021}
}