UniEM-3M: 一个用于微结构分割与生成的通用电子显微图像数据集
计算机视觉与模式识别
2025-08-25 v1
摘要
定量微结构表征是材料科学的基础，其中电子显微图像(EM)提供了不可或缺的高分辨率洞察。然而，基于深度学习的EM表征进展受到大规模、多样且专家标注数据集稀缺的阻碍，原因包括采集成本、隐私问题和标注复杂性。为解决这一问题，我们引入了UniEM-3M，这是首个用于实例级理解的大规模多模态EM数据集。它包含5,091张高分辨率EM图像，约300万个实例分割标签，以及图像级属性解耦的文本描述，其中一部分将公开发布。此外，我们还发布了基于整个集合训练的文本到图像扩散模型，既作为强大的数据增强工具，也作为完整数据分布的代理。为建立严格的基准，我们在完整的UniEM-3M上评估了各种代表性的实例分割方法，并提出了UniEM-Net作为强基线模型。定量实验表明，这种基于流的模型在这个具有挑战性的基准上优于其他先进方法。我们对部分数据集、生成模型和全面基准的多方面发布——可在huggingface上获取——将显著加速自动化材料分析的进展。
引用
@article{arxiv.2508.16239,
title = {UniEM-3M: A Universal Electron Micrograph Dataset for Microstructural Segmentation and Generation},
author = {Nan wang and Zhiyi Xia and Yiming Li and Shi Tang and Zuxin Fan and Xi Fang and Haoyi Tao and Xiaochen Cai and Guolin Ke and Linfeng Zhang and Yanhui Hong},
journal= {arXiv preprint arXiv:2508.16239},
year = {2025}
}
备注
15 pages, 13 figures, Submitted to AAAI2026