Aug, 2023

一种轻量级 Transformer 用于更快速、更稳健的 EBSD 数据采集

PDF
TL;DR通过使用高效的变压器模型和投影算法处理变压器的输出，克服了深度学习与稀缺高维数据的计算和实际障碍，并使用自我监督的合成三维 EBSD 数据训练该模型，在真实的三维 EBSD 数据中获得了比现有方法更高的恢复精度。
three dimensional electron back-scattered diffractionebsd microscopytransformersdata processingrecovery
发现论文，激发创造
  • Q-RBSA: 使用高效四元数变换器网络生成高分辨率三维 EBSD 地图

    本文提出了一种利用基于物理的深度学习框架来降低采集三维电子背散射衍射 (EBSD) 地图的时间和成本的方法，该框架使用四元数残差块自注意网络 (QRBSA) 从稀疏切片 EBSD 地图生成高分辨率的三维 EBSD 地图，并应用于商业上相关的钛合金，从而预测丢失的样本 (在稀疏切片映射点之间的 EBSD 信息) 与高分辨率地面真实 3D EBSD 地图相比。

    Mar, 2023

  • 无参考各向同性三维电子显微重建

    基于扩散模型的框架实现了逆转因成像模态的特性而导致各向异性轴向分辨率的挑战，且无需参考数据或先验知识，通过利用 2D 扩散模型持续重建 3D 体积，在高度下采样数据中表现出优越性，并通过在两个公共数据集上的实验，证明了与监督学习方法相比利用生成先验的鲁棒性和优势。此外，还证实了自监督重建方法可以在无训练数据的情况下恢复单个各向异性体积。

    Aug, 2023

  • 自主超分辨率方法用于各向同性重建来自非各向异性采集的三维电子显微镜图像

    提出了基于深度学习的自监督超分辨率方法，从各向异性获取的三维电子显微镜数据中计算重建各向同性三维结构，并通过实验证明其有效性。

    Sep, 2023

  • 基于 Transformer 的可变长度体积数据端对端分类

    本研究提出一种基于 Transformer 的框架，通过随机分辨率输入不同的切片来增强可学习的位置嵌入，从而可以有效地分类可变长度的体积数据，这种方法在视网膜 OCT 卷积分类上获得了 21.96% 的平衡准确度提升。

    Jul, 2023

  • 具有 2D 监督的生物医学图像超分辨率

    通过利用高分辨率 2D 显微镜数据，我们引入了用于超分辨率的遮蔽切片扩散（MSDSR）方法，该方法克服了传统方法在不同方向上的依赖性，并增强了体积生物医学显微镜检测的质量、分辨率，以及应用于临床诊断和生物医学研究中的障碍。

    Apr, 2024

  • 从噪声 2D STEM 图像中清洁隐式三维结构

    论文提出了一种可将二维噪声图像融合为有用的三维模型的不同 iable 模型，实现了无监督的三维信号与噪声分离，并在合成和实际数据方面优于多个基准模型。

    Mar, 2022

  • 利用 Transformer 模型提取能源材料的薄膜结构

    引入了一种名为 N-TRACE（Neutron-Transformer Reflectometry and Advanced Computation Engine）的神经网络模型，使用 transformer 架构进行中子反射测量数据分析，提供快速、准确的初始参数估计和高效的细化，提高锂介导的氮还原电化学合成中实时数据分析的效率和精度，与其他化学转化和电池相关。尽管在系统间推广方面存在局限性，但它表现出 transformer 作为基于模型的反射测量数据建模的试错方法替代的潜力。

    Jun, 2024

  • 基于数据驱动的电阻抗断层成像部分边界数据分割方法

    电阻抗层析成像是一种非侵入性成像方法，在医疗和工业领域具有重要应用。本文介绍了三种基于数据驱动的电阻抗层析成像重建方法，其中一种方法在 2023 年的 Kuopio 层析挑战赛中获得第一名。这三种方法都基于类似的神经网络，并利用合成数据集进行训练，从而提供了这些不同数据驱动重建方法的公平比较机会。

    May, 2024

  • Diff3Dformer：利用切片序列扩散增强 Transformer 网络在 3D CT 分类中的应用

    利用扩散模型的潜在空间来形成 3D 分析的切片序列，并将聚类关注融入 ViT 以聚合 3D CT 扫描中的重复信息，从而利用先进的 Transformer 模型在小型数据集上执行 3D 分类任务，表现出卓越的性能。

    Jun, 2024

  • Transformer 遇上边值反问题

    提出了一种基于转换器的深度直接抽样方法，用于电阻抗层析成像中的逆问题，尤其是在基于局部微分方程的特征映射和可学习的非局部核心的引入下，直接采样被重新转化为修正的注意机制，被证明该方法比先前的研究获得了更高的精度，同时还表现出对噪声的鲁棒性。

    Sep, 2022