Optimization of Three-Dimensional (3D) Chemical Imaging by Soft X-Ray Spectro-Tomography Using a Compressed Sensing Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Soft X-ray spectro-tomography provides three-dimensional (3D) chemical mapping based on natural X-ray absorption properties. Since radiation damage is intrinsic to X-ray absorption, it is important to find ways to maximize signal within a given dose. For tomography, using the smallest number of tilt series images that gives a faithful reconstruction is one such method. Compressed sensing (CS) methods have relatively recently been applied to tomographic reconstruction algorithms, providing faithful 3D reconstructions with a much smaller number of projection images than when conventional reconstruction methods are used. Here, CS is applied in the context of scanning transmission X-ray microscopy tomography. Reconstructions by weighted back-projection, the simultaneous iterative reconstruction technique, and CS are compared. The effects of varying tilt angle increment and angular range for the tomographic reconstructions are examined. Optimization of the regularization parameter in the CS reconstruction is explored and discussed. The comparisons show that CS can provide improved reconstruction fidelity relative to weighted back-projection and simultaneous iterative reconstruction techniques, with increasingly pronounced advantages as the angular sampling is reduced. In particular, missing wedge artifacts are significantly reduced and there is enhanced recovery of sharp edges. Examples of using CS for low-dose scanning transmission X-ray microscopy spectroscopic tomography are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle