.png){kind=icon}
返回
Calibration-sample free distortion correction of electron diffraction patterns using deep learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.ultramic.2026.114347.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电子衍射图案中可提取的信息受光学畸变存在的影响而受限。现有的畸变表征技术通常需要了解观察对象或单独校准样本的倒易晶格。后一种方法需要样本交换，从而增加了样本观察的时间和不便。为克服此限制，我们开发了Python库EMicroML，该库包含一个深度学习（DL）框架，用于测量和校正会聚束电子衍射（CBED）图案中枕形、螺旋、椭圆和抛物线光学畸变的组合，且无需单独的校准样本。我们使用多片模拟生成的、具有不同CBED盘大小的MoS2在非晶C上的人工畸变CBED图案数据集，对DL模型进行了性能测试。我们的DL方法的测试结果与使用径向梯度最大化（RGM）技术和倒易晶格系统知识的传统技术获得的结果进行了比较。虽然RGM方法在极小盘图案上优于我们的DL方法，但我们的DL方法在中盘图案以及大重叠盘图案上优于RGM方法。结果表明，我们的DL方法无需样本知识，在便捷性和准确性之间取得了良好的折衷。我们还展示了DL框架如何用于改进实验 Ptychography 重建，以及校正实验选区电子衍射图案中的畸变。
Keyword:
Distortion correction
Electron diffraction
Deep learning
CBED
Ptychography
SAED
期刊
U
IF:
2
论文数:
113
被引数:
8.2K
机构
引用论文
Electron ptychography achieves atomic-resolution limits set by lattice vibrations电子照相达到了由晶格振动设定的原子分辨率极限.png)
ScienceOAAI
ScienceIF0
OAAI分享收藏An efficient deep learning-based framework for image distortion correction一种基于深度学习的图像畸变校正框架VISUAL COMPUTER
VISUAL COMPUTERIF2.9
PREAI
分享收藏Strain Measurement in Semiconductor Heterostructures by Scanning Transmission Electron Microscopy
OAAI
OAAI分享收藏Prismatic 2.0 – Simulation software for scanning and high resolution transmission electron microscopy (STEM and HRTEM)MicronOAAI
MicronIF0
OAAI分享收藏
查看更多内容