基于 UNIT 架构的 STEM 图像
无监督去噪与原子定量分析

Unsupervised Denoising of STEM Images for Enhanced Atomic Quantification

📅 2026-04-28 🏫 武汉大学电镜中心 📚 文献汇报

研究背景：STEM 去噪的核心矛盾

🔬 成像噪声

散粒噪声：电子-物质相互作用 → 原子边界模糊
扫描噪声：环境振动 → 原子柱形变

📊 传统方法困境

Gaussian：保细节丢周期
Bragg：保周期丢缺陷
Bayesian：计算量过大

              监督学习的瓶颈
              实验 STEM 图像没有无噪声真值（Ground Truth），配对训练不可行。
            

              无监督学习的契机
              Noise2Atom 等策略无需配对数据，但仅依赖空域特征，在极低 SBR 下效果有限。
            

核心方法：UNIT + Fourier 损失

🧠 网络架构

Encoder E₁/E₂：噪声图 & 模拟图 → 共享潜空间
Generator G₁/G₂：潜变量 → 重构图像
Discriminator D₁/D₂：对抗训练

VAE GAN UNIT

📦 训练数据

98 张 TEM-ImageNet 模拟图（无噪声参考）
506 张实验 STEM 图（WS₂, MoS₂, MoTe₂）
无需配对：属于无监督域适应

关键创新：频域 Fourier 损失

标准 UNIT 损失（重建 + 对抗 + 循环 + 感知 + KL）仅关注空域像素强度，难以保留长程周期性。本文引入 L_fourier：

L_fourier = Σ_i=1⁴ MSE( log(FFT(x_i)/mean), log(FFT(y_i)/mean) )

            物理意义
            在倒空间比较 FFT 幅度谱，强制网络保留晶体学周期性布拉格峰，避免原子柱被误判为噪声而平滑掉。
          

            消融实验结果
            无 Lfourier 时，边缘原子柱强度被错误降低 59.4%，并融入背景。
          

Loss = 100L_recon + 0.7L_D/G + 100L_cyc + L_VGG + 0.5L_KL + 3L_fourier

实验结果：模拟图验证（有真值）

图像	指标	Shot 噪声	Shot 去噪后	Scan 噪声	Scan 去噪后
Image A	SSIM	0.766	0.844	0.767	0.888
Image A	FSIM	0.864	0.976	0.766	0.962
Image B	SSIM	0.617	0.820	0.605	0.870
Image B	FSIM	0.748	0.945	0.768	0.924

          原子定位精度
          坐标偏差标准差 < 0.6 像素（x/y 方向），显著优于 2D 高斯拟合 (~1.2 像素)
        

实验结果：实验 STEM 图（MoS₂）

📈 SBR 提升

元素	去噪前	去噪后	提升
S	1.64	2.53	+54.3%
Mo	3.68	7.41	+101.4%
Mo/S 比值	2.24	2.92	+30.4%

🎯 实际效果

减少噪声误判为原子
减少弱原子柱漏检
元素分类更可靠
点缺陷自动化识别成为可能

泛化验证：SnSe、Cu₂Te（训练时未见过）同样表现良好，证明方法不依赖特定材料先验。

界面与缺陷区域验证

🔬 单层-双层界面

              原子定位偏差 < 0.1 Å
              U-Net 去噪后与 2D 高斯拟合结果一致，证明去噪未引入系统性偏移。
            

🔍 点缺陷区域

              坐标分布吻合
              缺陷附近原子坐标分布与理论位置吻合，未出现去噪导致的原子"漂移"或"消失"。
            

核心创新点

            1
            频-空联合损失
            首次将 Fourier 损失引入 UNIT 框架，解决空域损失"过度平滑周期性结构"的问题
          

            2
            无监督 + 模拟数据
            利用 TEM-ImageNet 模拟图作为无噪声参考，摆脱实验真值依赖
          

            3
            端到端原子定量
            去噪后直接提升原子定位、元素分类、缺陷识别的可靠性
          

            4
            强泛化性
            在多种 2D/非 2D 材料上验证，不限于特定体系
          

讨论与启示

✅ 优势

无需配对数据，对实验 STEM 极具实用价值
Fourier 损失物理可解释，符合晶体学认知
多维定量验证：SSIM/FSIM/SBR/坐标偏差

⚠️ 潜在局限

训练数据以 2D 材料为主，三维复杂结构泛化待验证
仅验证了点缺陷，扩展缺陷（位错、层错）未充分探讨
500 epoch 训练成本在实际部署中的效率待评估

对我们工作的启发

1 训练范式："模拟+实验无配对"策略可直接借鉴，解决去噪真值缺失问题

2 损失设计：频域损失可推广至 XRD、EBSD、HRTEM 等周期结构表征任务

3 评估体系：SBR + 坐标偏差 + 分类准确率的联合评估框架值得参考

4 工程实现：25% 重叠滑窗 + 加权拼接策略可直接复用于大尺寸图像处理

Q & A

常见问题预备：监督学习瓶颈 / Fourier 损失物理意义 / 泛化性边界 / 与 Noise2Atom 差异

📅 2026-04-28 🔬 文献汇报

基于 UNIT 架构的 STEM 图像无监督去噪与原子定量分析