深度学习去噪辅助薄阻抗低信噪比 (SEM) 图像中的粗糙度测量提取:与 SMILE 的分析
使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系,将光学超分辨率图像转化为类似 SEM 的具有大景深的图像,其在图像转换中表现出色,重构结果具有高层次的细节,适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。
Oct, 2023
提出了 Noise2SR,一个用于高分辨率电子显微镜图像去噪的零样本自监督学习(ZS-SSL)框架,通过超分辨率自监督训练策略和随机子抽样模块,提高了去噪性能,可用于材料成像领域中图像信噪比的改进。
Jun, 2024
该研究提出了一个可提高成像工具缺陷检测吞吐量的 ADCD 框架,该框架通过在低分辨率图像中检测纳米级缺陷实例来解决高深度聚焦挑战,并通过 SR 辅助分支实现不同分辨率图像上的缺陷检测推断,无需明确训练。
Apr, 2024
通过深度学习的图像超分辨率方法,我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建,以获得清晰的高分辨率三维电子显微图像,为神经科学研究提供了新的可能性。
Jan, 2024
该研究利用荧光显微镜进行了活细胞成像,探索了在信噪比、空间分辨率和生物样品完整性之间的权衡,并提出了一种新的联合去噪和超分辨率(JDSR)数据集和一种 JDSR 的评估方法.
Mar, 2020
这篇研究论文介绍了一种新型的深度卷积神经网络 LUENN,可以有效提高单分子定位显微镜技术的亚细胞结构可视化的时间分辨率,通过准确的位置不确定性估计器,成功应用于密度高达 31 个 / 平方微米的多个发射器的图像定位。
May, 2023
本文提出一种基于 Stein's unbiased risk estimator(SURE)的方法,从含有高斯噪声的图像数据中训练深度学习去噪网络,在没有无噪声图像的情况下使用 SURE 方法,使得网络的性能接近于使用有噪声图像的有监督学习方法,同时使用 SURE 方法进行快速后处理可以进一步提高性能。
Mar, 2018
使用基于神经网络的估计方法,可以快速而可靠地预测合成孔径雷达图像中的粗糙度参数,并能应用于高分辨率真实合成孔径雷达图像中的像素级粗糙度估计。
Sep, 2023
本研究旨在开发和评估一种创新的仿真算法,生成与 AAPM-Mayo 的 2016 年低剂量 CT 大赛数据集中实际图像非常接近的厚层 CT 图像。所提出的方法使用峰值信噪比(PSNR)和均方根误差(RMSE)指标进行评估,假设我们的仿真会产生与真实图像更一致的图像。所提出的方法在 PSNR 和 RMSE 方面均显著提高,其最高 PSNR 值分别为 D45 重建核心约为 49.7369 ± 2.5223 和 B30 约为 48.5801 ± 7.3271。所提出的方法还具有最低的 RMSE,D45 约为 0.0068 ± 0.0020,B30 约为 0.0108 ± 0.0099,表明其分布更接近真实的厚层图像。进一步使用 TCIA LDCT-and-Projection-data 数据集对所提出的仿真算法进行验证。生成的图像用于训练四个不同的超分辨率(SR)模型,然后使用 2016 年低剂量 CT 大赛数据集中的真实厚层图像进行评估。当使用我们的新算法生成的数据进行训练时,四个 SR 模型的性能均得到了提高。
Jul, 2023