要約
走査型透過電子顕微鏡(STEM)は、原子配列をサブオングストローム分解能で観察できるため、物質の物理的・化学的特性を原子レベルで分解して解析することができる。しかし、ノイズ、電子ビーム損傷、試料の厚さなどの影響により、満足のいく原子レベルの画像を得ることはしばしば困難です。STEM画像をエンハンスメントすることで、材料の構造的な詳細をより鮮明にすることができます。それにもかかわらず、既存のSTEM画像エンハンスメント手法は、周波数領域における固有の特徴を通常見落としており、既存のデータセットには現実性と一般性が欠けています。これらの問題を解決するために、本論文ではSTEM画像のノイズ校正、データ合成、および強調手法を開発します。まず、より現実的なSTEM画像を合成するためのSTEMノイズ校正法を紹介する。背景ノイズ、スキャンノイズ、およびポイントワイズノイズのパラメータは、原子を含む実際のSTEM画像の統計解析とフィッティングによって得られる。次に、これらのパラメータを用いて、規則的な原子配列とランダムな原子配列の両方を考慮し、HAADFとBFモードの両方の画像を含む、より一般的なデータセットを開発する。最後に、原子配列の周期性によって形成される周波数領域の情報を探索できる、STEM画像強調のための空間周波数インタラクティブネットワークを設計する。実験の結果、我々のデータはより実際のSTEM画像に近く、我々のネットワークとともにより優れた強調性能を達成することが示された。コードはhttps://github.com/HeasonLee/SFIN}{https://github.com/HeasonLee/SFIN。
要約(オリジナル)
Scanning Transmission Electron Microscopy (STEM) enables the observation of atomic arrangements at sub-angstrom resolution, allowing for atomically resolved analysis of the physical and chemical properties of materials. However, due to the effects of noise, electron beam damage, sample thickness, etc, obtaining satisfactory atomic-level images is often challenging. Enhancing STEM images can reveal clearer structural details of materials. Nonetheless, existing STEM image enhancement methods usually overlook unique features in the frequency domain, and existing datasets lack realism and generality. To resolve these issues, in this paper, we develop noise calibration, data synthesis, and enhancement methods for STEM images. We first present a STEM noise calibration method, which is used to synthesize more realistic STEM images. The parameters of background noise, scan noise, and pointwise noise are obtained by statistical analysis and fitting of real STEM images containing atoms. Then we use these parameters to develop a more general dataset that considers both regular and random atomic arrangements and includes both HAADF and BF mode images. Finally, we design a spatial-frequency interactive network for STEM image enhancement, which can explore the information in the frequency domain formed by the periodicity of atomic arrangement. Experimental results show that our data is closer to real STEM images and achieves better enhancement performances together with our network. Code will be available at https://github.com/HeasonLee/SFIN}{https://github.com/HeasonLee/SFIN.
arxiv情報
著者 | Hesong Li,Ziqi Wu,Ruiwen Shao,Tao Zhang,Ying Fu |
発行日 | 2025-04-03 13:11:57+00:00 |
arxivサイト | arxiv_id(pdf) |