Zero-Shot Image Denoising for High-Resolution Electron Microscopy

本文提出了一种名为Noise2SR的零样本自监督学习（ZS-SSL）去噪框架，用于高分辨率电子显微镜（HREM）成像技术。由于超低信噪比和数据稀缺性，HREM面临着去噪方面的挑战。我们的框架采用了基于超分辨率（SR）的自监督训练策略，其中包括随机子采样器模块，旨在从单个噪声图像生成近似无限的噪声对，作为零样本去噪中有效的数据增强。Noise2SR通过SR策略对不同分辨率的配对噪声图像进行训练。SR训练有助于网络采用更多像素进行监督，并且随机子采样有助于迫使网络学习连续信号以增强鲁棒性。同时，我们通过采用最小均方误差（MMSE）估计来减轻随机采样引起的不确定性。通过训练策略和所提出的设计的独特集成，Noise2SR可以使用单个噪声HREM图像实现优异的去噪性能。我们评估了Noise2SR在模拟和真实的HREM去噪任务中的性能。它优于最先进的ZS-SSL方法，并实现了与监督方法相当的去噪性能。Noise2SR的成功表明其在材料成像领域提高图像信噪比的潜力。

本文旨在解决高分辨率电子显微镜成像技术中的图像降噪问题，提出了一种基于零样本自监督学习的去噪框架。

本文提出了一种基于超分辨率和随机子采样的自监督训练策略，通过不同分辨率的带噪图像对进行训练，使网络采用更多像素进行监督，并通过随机子采样来增强网络的连续信号学习能力。同时，采用最小均方误差估计来减少随机采样带来的不确定性。

本文提出的Noise2SR框架在单个带噪高分辨率电子显微镜图像的去噪方面表现出色，超越了现有的零样本自监督学习方法，并且达到了有监督方法的相似去噪性能。实验结果表明，该框架在材料成像领域具有潜在的应用价值。

相关研究包括基于深度学习的图像降噪方法，以及基于自监督学习的图像降噪方法。其中，本文提出的Noise2SR框架在零样本自监督学习方法中表现优异。