HRTEM-specific noise calibration dataset

该数据集由北京理工大学团队开发，专为高分辨率透射电子显微镜（HRTEM）成像中的成核过程观测设计。其核心包含模拟的无序原子排列结构和经过HRTEM专用噪声校准的真实图像噪声，能够有效支持深度学习模型在原子定位任务中的去噪性能。数据生成过程采用创新的噪声校准技术，通过空间域和频域统计特征引导，精确复现了HRTEM快速成像中的复杂噪声分布。该数据集主要应用于先进固体材料研究领域，旨在解决非晶-晶体转变过程中原子级动态观测的噪声干扰问题，为理解石墨烯、金属催化剂等材料的形成机制提供关键数据支持。

This dataset was developed by a research team from Beijing Institute of Technology, and is specifically tailored for the observation of nucleation processes in high-resolution transmission electron microscopy (HRTEM) imaging. The core of this dataset includes simulated disordered atomic arrangement structures and real image noise that has been specifically calibrated for HRTEM, which effectively supports the optimization and performance evaluation of deep learning models for denoising tasks in atomic localization. The dataset generation process utilizes an innovative noise calibration technique, which is guided by statistical features in both spatial and frequency domains to accurately reproduce the complex noise distribution present in fast HRTEM imaging. This dataset is primarily applied in the field of advanced solid materials research, with the goal of addressing noise interference issues in atomic-scale dynamic observations during amorphous-crystal transition processes, thereby providing critical data support for understanding the formation mechanisms of materials such as graphene and metal catalysts.

原始信息汇总

SCGN 数据集概述

数据集基本信息

• 数据集名称：SCGN
• 关联论文：Statistical Characteristic-Guided Denoising for Rapid High-Resolution Transmission Electron Microscopy Imaging
• 论文链接：https://arxiv.org/abs/2603.18834
• 会议/年份：IEEE Conference on Computer Vision and Pattern Recognition (CVPR)， 2026年

数据集内容与用途

• 核心用途：用于训练和测试SCGN（Statistical Characteristic-Guided Denoising）模型，该模型旨在实现快速高分辨率透射电子显微镜成像的去噪。
• 测试数据集：包含在 tem_test_data4.zip 压缩包中。
• 训练数据集：名为 tem_data4.zip，需通过指定链接下载（提取码：f198）。

数据集使用流程

1. 解压测试数据集 tem_test_data4.zip。
2. 从指定网盘下载并解压训练数据集 tem_data4.zip。
3. 运行 train_convLast_std_tem_data4.py 脚本进行模型训练与测试。网络架构定义在 convLast_std.py 文件中。
4. 可视化结果将保存在 convLast_std_tem_data4_result 文件夹中。程序将输出PSNR、SSIM和IOU指标结果。
5. 预训练模型权重文件为 convLast_std_tem_data4_100.pth，测试时会自动加载。如需重新训练，可删除此文件。

相关资源

• 网络架构代码：convLast_std.py
• 训练与测试脚本：train_convLast_std_tem_data4.py
• 预训练模型权重：convLast_std_tem_data4_100.pth

引用信息

如需在研究中引用，请使用提供的BibTeX格式引用关联论文。

搜集汇总

数据集介绍

构建方式

在原子尺度观测成核动力学的背景下，HRTEM-specific noise calibration dataset的构建采用了系统化的数据生成流程。首先，通过泊松盘采样算法生成无序原子排列的清洁图像，确保原子间距离符合物理约束，避免了随机点生成可能导致的原子重叠问题。随后，利用二维Perlin噪声作为掩膜模拟材料外部的真空区域，进一步增强了结构的真实性。在噪声模拟方面，研究团队开发了针对HRTEM的专用噪声校准方法，通过采集真空区域图像序列，拟合了点噪声和列噪声的高斯分布参数，并建立了点噪声强度与信号强度的线性关系，从而生成了包含复杂无序结构和真实HRTEM噪声的合成数据集。

特点

该数据集的核心特点在于其高度仿真的噪声模拟与无序原子结构的结合。与现有原子级透射电镜数据集相比，该数据集专门针对成核过程的观测需求，其噪声分布通过实际HRTEM图像校准，准确捕捉了点噪声与列噪声的统计特性，确保了合成噪声与真实HRTEM噪声的一致性。同时，数据集中的原子排列模拟了成核过程中从无序到有序的过渡状态，通过非重叠且随机分布的原子位置生成，弥补了现有数据集多集中于有序晶体结构的不足。这种对噪声与结构的双重仿真，为深度学习模型在真实HRTEM图像上的去噪性能提供了可靠的数据基础。

使用方法

该数据集主要用于训练和评估针对HRTEM图像的去噪模型，特别是在观测成核过程的场景中。研究人员可将数据集中的噪声图像作为输入，对应的清洁图像作为地面真实值，用于监督学习框架下的模型训练。在应用时，模型通过学习数据集中噪声与信号的统计特征，能够有效恢复被强噪声掩盖的原子位置。此外，该数据集还可用于下游任务如原子定位的性能验证，通过去噪后的图像进行原子位置的自动识别与分析。数据集的设计确保了模型在合成数据上训练后，能够较好地泛化到真实HRTEM采集的图像序列，从而支持对成核动力学等原子尺度动态过程的高精度观测。

背景与挑战

背景概述

高分辨率透射电子显微镜（HRTEM）作为原子尺度观测的关键工具，在先进固体材料研究中发挥着核心作用，尤其在捕捉毫秒级快速变化的成核动力学过程中具有不可替代的价值。然而，短曝光快速成像导致图像信号被严重噪声淹没，原子位置难以辨识，这直接制约了对材料形成机制的深入理解。为应对这一挑战，北京理工大学的李赫松、吴子琪、邵瑞文和付英团队于2026年提出了HRTEM-specific noise calibration dataset。该数据集专门针对成核过程的观测需求而构建，通过模拟无序原子结构和校准真实的HRTEM噪声特性，旨在为深度学习去噪模型提供高质量的训练数据，从而提升模型在真实HRTEM图像上的去噪性能，推动原子尺度动态过程分析的精准化发展。

当前挑战

该数据集致力于解决高分辨率透射电子显微镜图像在观测成核过程中的去噪问题，其核心挑战在于如何从极低信噪比的快速成像中准确恢复无序原子结构。具体而言，领域问题的挑战体现在现有去噪方法难以区分强噪声与信号，尤其在原子排列无序或半无序时，传统均匀处理策略会导致原子位置误判或丢失。在构建过程中，挑战主要集中于两个方面：一是生成符合物理真实的无序原子结构，需避免原子重叠并模拟真实的空间分布；二是精确校准HRTEM特有的噪声模型，包括与信号强度相关的点噪声和列噪声，确保合成噪声的分布与真实成像噪声一致，从而保障数据集的真实性与泛化能力。

常用场景

经典使用场景

在先进固体材料研究中，原子尺度成核动力学的观测是理解材料形成机制的关键。HRTEM-specific noise calibration dataset 的经典应用场景在于为高分辨率透射电子显微镜快速成像下的图像去噪模型提供训练与验证数据。该数据集通过模拟成核过程中无序或半无序的原子排列结构，并校准了HRTEM特有的列噪声和点噪声参数，生成了包含复杂噪声的合成图像及其对应的清晰真值图。这使得深度学习模型能够在高度逼真的噪声环境下学习恢复原子位置，为后续的原子定位和结构分析提供高质量的输入图像。

解决学术问题

该数据集主要解决了原子尺度图像处理领域内，针对非晶态到晶态转变成核过程观测的两个核心学术难题。其一，填补了专门针对成核过程、包含无序原子结构的高质量去噪数据集的空白。以往的数据集如TEMImageNet主要关注有序晶体结构，无法有效模拟成核初期的随机原子排布。其二，通过精确校准HRTEM成像中由CMOS传感器引入的列噪声和点噪声的统计分布，解决了合成数据噪声与真实HRTEM图像噪声分布不一致的问题。这确保了基于该数据集训练的模型能够有效迁移到真实实验图像上，提升了去噪模型的泛化能力和实用性。

衍生相关工作

该数据集的建立为后续一系列针对电子显微图像增强的研究提供了重要的数据基准和灵感。其核心方法——基于统计特征的噪声校准与数据生成——启发了更多考虑成像物理机制的真实噪声建模工作。同时，与该数据集配套提出的统计特征引导去噪网络架构，特别是空间偏差引导加权和频带引导加权模块，为处理强噪声下的周期性或准周期性信号提供了新颖的网络设计范式。这些工作共同推动了深度学习在科学计算成像，尤其是极端低信噪比微观图像复原领域的发展，使得原子尺度动态过程的定量、实时分析成为可能。