本文提出了一种基于模拟图像的去噪方法, 即模拟图像去噪(SBD)框架，该框架使用卷积神经网络(CNNs)在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色，同时也分析了SBD的泛化能力和CNNs的视野对其性能的影响。

Oct, 2020

本文研究了大规模电子显微镜技术下生物医学图像分析的自动化方法和挑战，并讨论了近五年来在自动化人工智能计算机视觉、深度学习和软件工具方面所取得的进步，探讨了自动化图像获取与分析的整合，以实现毫米级纳米分辨率的高通量分析。

Jun, 2022

本论文探讨了在电子显微镜中使用机器学习来进行数据分析和优化工作流程的挑战，并讨论了人类科学家和机器学习在实验工作流程中的相对贡献以及开发通用超级语言的需求。

Apr, 2023

该研究探讨了元数据特征的选择会如何影响神经网络对纳米颗粒显微图像的分割，研究发现，神经网络在不同显微镜参数下鲁棒性较差，而数据预处理在训练相似数据集的神经网络中对其泛化性影响巨大，这些结果表明需要深入了解数据集特征对数据驱动算法的部署的影响。

Jun, 2023

使用机器学习技术结合高分辨率透射电子显微镜等方法进行纳米材料表征的研究，通过构建复杂的纳米尺度原子结构，生成大规模的模拟数据库用于训练神经网络，实现对纳米颗粒的分割并探索数据整理过程中不同因素对模型性能的影响。使用纯合成数据能够在实验基准上取得业内领先的纳米颗粒分割性能，并通过实验结果提出了在实验设置中稳定实现高性能的机器学习策略。

Sep, 2023

机器学习在电子显微镜领域逐步获得认可，用于数据后处理中的去噪、语义分割和降维。在使用大型仪器制造商的API引入后，现在可以在显微镜中部署机器学习工作流，不仅用于数据分析，还用于实时决策和反馈。然而，实时机器学习的用例数量仍然相当有限。在本文中，我们讨论了设计基于机器学习的主动实验的一些考虑因素，并提出了未来几年的策略可能是人在环回中的自动化实验(hAE)。在这种范例中，机器学习代理直接控制光束位置、图像和光谱采集功能，人操作员实时监控系统的特征空间中的实验进展，并调整机器学习代理的策略以实现特定目标。

Oct, 2023

我们研究了一种机器学习技术，用于通过液体透射电子显微镜（LC-TEM）在原位观察期间对所获得的图像进行细化。我们的模型采用了U-Net架构和ResNet编码器。通过准备一个原始图像数据集进行训练，其中包含了使用和不使用溶液的样品的图像对。训练后的模型可以将噪声图像转换为清晰的图像，转换时间约为10毫秒，并且我们将该模型应用于使用Gatan DigitalMicrograph（DM）软件进行原位观察时。即使由于低电子剂量原因，DM软件的视图窗口中看不到纳米颗粒，但在我们的机器学习模型生成的连续细化图像中是可见的。

Oct, 2023

通过自监督学习从未标记的电子显微镜数据集中提取关键信息，并展示了自监督预训练在语义分割、去噪、去除噪音和背景、超分辨率等多个下游任务中的优势，尤其对于有限的标注数据和计算成本的高效扩展，通过实验证明了自监督预训练的灵活性和可靠性。

Feb, 2024

本研究解决了在半导体成像和分析中，深度学习应用不足导致的精确控制和优化问题。通过视觉-语言指令调优，我们提出了一个小型多模态框架（MAEMI）以改进半导体电子显微镜图像分析，显著提高了小型模型在视觉问答任务中的准确性。实验结果表明，MAEMI超越了传统方法，能够适应数据分布变化，并支持高通量筛选，具有良好的企业应用潜力。

Aug, 2024

本研究解决了扫描透射电子显微镜（STEM）数据中高斯噪声影响导致的识别准确性问题。我们提出了一种基于深度学习的掩膜区域卷积神经网络（Mask R-CNN）来识别STEM成像的纳米颗粒，并通过过滤方法显著提高识别精度。这一方法在复杂结构和大数据分析中展现出巨大的应用潜力。

Sep, 2024