神经网络对来自高能量密度实验的X射线图像进行了否定
Joseph M Levesque1, Elizabeth C Merritt1, Kirk A Flippo1
1Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA.
The Review of scientific instruments
|June 28, 2024
概括
高能量密度 (HED) 的X射线图像中的噪声阻碍了精确的密度测量. 一种新的深度学习方法有效地消除了这些图像,保留了关键的物理细节,以便更好地分析.
科学领域:
- 物理 物理学 物理
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
背景情况:
- 在高能量密度 (HED) 实验中,X射线传输成像是至关重要的.
- 图像噪声降低了定量物理属性推断的准确性,特别是密度测量.
- 精确的水力动力学进化观测依赖于高准确度的成像数据.
研究的目的:
- 开发和介绍HEDX射线图像的有效无色化方法.
- 通过减少噪音来提高定量分析的准确性.
- 为了在消毒过程中保持基本的物理特征.
主要方法:
- 利用一个深度卷积神经网络与修改的DenseNet架构.
- 从实验 (数据) 图像中估计的噪声特征.
- 从自然图像和估计的噪音分布中获得的合成噪音图像来训练神经网络.
主要成果:
- 开发的深度学习模型在实验性HEDX射线图像中显著降低了噪音.
- 无色化方法成功地保留了图像中的重要物理特征.
- 从处理的图像中推断物理性质,特别是密度的精度提高.
结论:
- 深层卷积神经网络提供了一种强大的解决方案,用于消除HEDX射线图像的模糊性.
- 拟议的方法平衡了降低噪声与保护关键实验数据.
- 这种技术增强了HED实验的定量分析能力.


