DARA-Net: 複雑なノイズ条件下でのAFM画像ノイズ除去のためのデュアルパス残差アテンションネットワーク

科学分野:

• 材料科学
• ナノテクノロジー
• 顕微鏡イメージング

背景:

• 原子間力顕微鏡（AFM）は、高解像度の表面トポグラフィーデータを生成します。
• AFM画像は、ノイズやスキャン歪みを含むさまざまなアーティファクトの影響を受けやすいです。
• AFMデータの正確な解釈には、効果的な画像ノイズ除去が必要です。

研究 の 目的:

• AFM画像のノイズ除去のための新しい深層学習フレームワークを開発すること。
• ノイズ除去されたAFM画像におけるナノスケール地形学的特徴の保持を強化すること。
• AFMデータからの表面の定量的分析の精度を向上させること。

主な方法:

• DARA-Netという名前のデュアルU字型敵対的生成ネットワーク（GAN）アーキテクチャが開発されました。
• デコーダーに残差アテンションブロック（RAB）を統合してノイズを除去しました。
• 構造的内容とノイズの並列予測子により、特徴の分離が可能になりました。
• トレーニングと評価は、合成ノイズを含む1000の社内AFM画像のデータセットで実行されました。

主要な成果:

• DARA-Netは、古典的および最先端のノイズ除去方法と比較して優れたパフォーマンスを示しました。
• PSNR、SSIM、RMSEを含む定量的指標は大幅な改善を示しました。
• 周囲長、高さ、粗さ、体積などの物理的表面指標におけるエラーの減少が観察されました。
• このフレームワークは、ナノスケールの詳細を保持しながら複雑なノイズを効果的に抑制しました。

結論:

• DARA-Netは、AFM画像のノイズ除去のための堅牢なソリューションを提供します。
• 提案された方法は、優れた汎化能力と構造保持能力を達成します。
• このフレームワークは、ナノスケールイメージングの分析と解釈を進歩させる可能性を秘めています。