相关实验视频
Updated: May 3, 2026
14:25
Determining 3D Flow Fields via Multi-camera Light Field Imaging
Published on: March 6, 2013
17.1K
STEMDiff:一个波形增强的扩散模型,用于基于物理的STEM图像生成
Yihui Bao1, Xinyi Lu1, Yanyan Xia1
1School of Information Science and Engineering, East China University of Science and Technology, Shanghai, 200237, P. R. China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|September 27, 2025
概括
STEMDiff从晶体结构中生成现实的扫描传输电子显微镜 (STEM) 图像,克服机器学习的数据限制. 这种方法改善了材料科学中的原子检测,并有助于开发用于水处理的新材料.
科学领域:
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 机器学习 (ML) 在STEM图像分析中的应用受到稀缺的注释数据的限制.
- 深度生成模型难以在实验性STEM图像中复制高频细节.
研究的目的:
- 介绍STEMDiff,一种条件扩散模型,用于生成现实的STEM图像.
- 解决用于ML应用的STEM图像分析中的数据瓶问题.
主要方法:
- 采用了一个有条件扩散模型 (STEMDiff) 与物理信息嵌入.
- 开发了基于离散波段变换的跳过连接架构,以保持高频组件和噪声特征.
- 利用来自晶体结构的二进制标签来生成合成STEM图像.
主要成果:
- 产生的STEM图像在数量上几乎无法与实验数据区分,比以前的方法改进了17倍.
- 合成图像保留了地面真相结构信息和实验噪声特征.
- 在合成数据上训练的完全卷积网络在实验性WSe2和石墨烯STEM图像中实现了高精度的原子柱检测.
结论:
- 在STEM图像分析中,STEMDiff有效地克服了数据稀缺问题.
- 该模型可以在没有手动注释的情况下准确检测原子列,适用于杂的实验数据.
- 该方法可扩展到其他科学成像模式,有可能加速用于水处理等应用的材料设计.
更多相关视频
11:00Experimental Investigation of Secondary Flow Structures Downstream of a Model Type IV Stent Failure in a 180° Curved Artery Test Section
Published on: July 19, 2016
11.9K
09:04Lens-free Video Microscopy for the Dynamic and Quantitative Analysis of Adherent Cell Culture
Published on: February 23, 2018
9.9K
