Weak-signal extraction enabled by deep-neural-network denoising of diffraction data

要約

タイトル：ディフラクションデータの深層ニューラルネットワークによるノイズ除去による弱い信号の抽出

要約：
– ノイズの除去またはキャンセルは、画像と音響に広範な応用があります。
– 私たちは、結晶材料のX線回折を研究して、深層畳み込みニューラルネットワークを用いたデータのノイズ除去方法を示し、弱い信号が定量的に正確に見えることを示します。
– この成功は、低ノイズデータと高ノイズデータのペアを使用して深層ニューラルネットワークの教師付きトレーニングによって可能になります。
– これにより、ニューラルネットワークがノイズの統計的特性について学習し、人工的なノイズを使用することは、定量的に正確な結果を生み出さないことが示されています。
– 私たちのアプローチは、難しい取得問題に適用できるノイズフィルタリングの実用的な戦略を示しています。

要約(オリジナル)

Removal or cancellation of noise has wide-spread applications for imaging and acoustics. In every-day-life applications, denoising may even include generative aspects which are unfaithful to the ground truth. For scientific applications, however, denoising must reproduce the ground truth accurately. Here, we show how data can be denoised via a deep convolutional neural network such that weak signals appear with quantitative accuracy. In particular, we study X-ray diffraction on crystalline materials. We demonstrate that weak signals stemming from charge ordering, insignificant in the noisy data, become visible and accurate in the denoised data. This success is enabled by supervised training of a deep neural network with pairs of measured low- and high-noise data. This way, the neural network learns about the statistical properties of the noise. We demonstrate that using artificial noise does not yield such quantitatively accurate results. Our approach thus illustrates a practical strategy for noise filtering that can be applied to challenging acquisition problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI