返回
STEMDiff: A Wavelet-Enhanced Diffusion Model for Physics-Informed STEM Image Generation
DOI:10.1002/advs.202508266.png)
摘要
En 中文
机器学习已成为分析扫描透射电子显微镜 (STEM) 图像的强大工具,但其广泛应用仍然受到注释训练数据稀缺的限制。虽然深度生成模型提供了一个有前途的解决方案,但它们通常难以重现定义实验STEM图像的复杂高频成分。在这里,STEMDiff提出了一种条件扩散模型,该模型通过物理信息嵌入策略将从晶体结构派生的简单二进制标签转换为逼真的STEM图像。通过开发一种新颖的基于离散小波变换的跳过连接架构,可以解决扩散模型中固有的高频偏差,从而可以保留实验噪声特性。这种方法生成的图像在数量上与实验数据几乎无法区分 (比以前的方法提高了17倍),同时保留了地面真实结构信息。尽管存在大量背景噪声和污染,但仅在这些合成图像上训练的完全卷积网络在WSe2和石墨烯的实验STEM图像中实现了高精度原子柱检测。这种方法有效地消除了对费力的手动注释的需要,为STEM图像分析中的数据瓶颈提供了可扩展的解决方案。STEMDiff的基本原理可以扩展到其他科学成像方式,加速水处理材料设计的进步。
Keyword:
diffusion model
materials design
STEM image generation
STEM
STEMDiff
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
14.1
论文数:
1.8W
被引数:
11.5W
机构
引用论文
Design of electrocatalysts for oxygen- and hydrogen-involving energy conversion reactions涉及氧和氢的能量转换反应的电催化剂的设计
Accurate Measurement of Electron Beam Induced Displacement Cross Sections for Single-Layer Graphene单层石墨烯电子束诱导位移截面的精确测量
Lattice and strain analysis of atomic resolution Z-contrast images based on template matching基于模板匹配的原子分辨率Z对比图像的晶格和应变分析
A Deep Learning Approach to Identify Local Structures in Atomic‐Resolution Transmission Electron Microscopy Images一种识别原子分辨率透射电子显微镜图像中局部结构的深度学习方法
Atomap: a new software tool for the automated analysis of atomic resolution images using two-dimensional Gaussian fittingAtomap: 一种使用二维高斯拟合自动分析原子分辨率图像的新软件工具
Revealing multiple classes of stable quantum emitters in hexagonal boron nitride with correlated optical and electron microscopy通过相关的光学和电子显微镜揭示六方氮化硼中的多种稳定量子发射体
NATURE MATERIALS
IF38.5

