相关实验视频
Updated: Jun 17, 2025

10:04
Sample Drift Correction Following 4D Confocal Time-lapse Imaging
Published on: April 12, 2014
16.4K
基于补丁的深度学习模型用于绘制受探测器差距影响的布拉格连贯衍射模式.
Matteo Masto1,2, Vincent Favre-Nicolin1,2, Steven Leake1
1ESRF, The European Synchrotron, 71 Avenue des Martyrs, Grenoble, France.
概括
一个深度学习算法有效地填补了布拉格连贯衍射成像 (BCDI) 数据中的探测器空白. 这种方法删除了文物,提高了重建图像的准确性,用于高分辨率实验.
科学领域:
- 物理 物理学 物理
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 布拉格连贯衍射成像 (BCDI) 对于纳米级材料表征至关重要.
- 在BCDI数据中的探测器漏洞引入了重要的文物,损害了重建的准确性.
- 恢复缺失的强度数据对于可靠的BCDI分析至关重要.
研究的目的:
- 开发一种深度学习算法,用于在BCDI模式中绘制缺失的强度数据.
- 为了减轻BCDI重建中的探测器缺口造成的文物.
- 提高BCDI实验的可靠性和准确性,特别是在高分辨率下.
主要方法:
- 一个深度学习算法被训练使用剪切的射数据的部分.
- 神经网络预测受检测器缺口影响的区域的强度值.
- 采用了补丁策略来结合预测和完整的衍射峰值.
主要成果:
- 深度学习方法成功地填补了BCDI模式中的检测器漏洞.
- 从重建的对象中有效地移除了 Gap 诱导的文物.
- 该方法在模拟和实验数据集上都表现出了稳定性.
- 该方法可扩展到任何尺寸的实验数据数组.
结论:
- 拟议的深度学习算法为BCDI数据的绘制提供了一个强大的解决方案.
- 这种技术显著提高了从BCDI数据重建对象的质量.
- 该方法对于推进高分辨率BCDI应用程序至关重要,因为它可以使用更完整的数据集.
更多相关视频
06:49In situ Grazing Incidence Small Angle X-ray Scattering on Roll-To-Roll Coating of Organic Solar Cells with Laboratory X-ray Instrumentation
Published on: March 2, 2021
6.2K
08:44Measurements of Long-range Electronic Correlations During Femtosecond Diffraction Experiments Performed on Nanocrystals of Buckminsterfullerene
Published on: August 22, 2017
7.7K