arXiv cs.CV· Hesong Li, Ying Fu, Ziqi Wu, Ruiwen Shao, Tao Zhang·· 2 小时前AI 评分32
面向 STEM 图像增强的空间-频率学习框架
Spatial-Frequency Learning for Scanning Transmission Electron Microscopy Image Enhancement
AI 导读
研究提出面向 STEM 图像增强的空间-频率学习框架，其融合网络在频域利用周期性原子排列、在空域恢复局部原子细节，两域特征分别增强后融合。研究还提出 STEM 噪声校准方法，通过统计拟合真实图像估计扫描噪声、逐点噪声与背景噪声参数，据此构建覆盖更多原子排列与退化类型的数据集。该方法在合成数据集和真实先进材料图像上取得 SOTA 增强性能，并提升原子定位精度。
来源：arXiv cs.CV · arxiv.org