Multi-Angle Plasma Focused Ion Beam (FIB) Curtaining Artifact Correction Using a Fourier-Based Linear Optimization Model
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
We present a flexible linear optimization model for correcting multi-angle curtaining effects in plasma focused ion beam scanning electron microscopy (PFIB-SEM) images produced by rocking-polishing schemes. When PFIB-SEM is employed in a serial sectioning tomography workow, it is capable of imaging large three-dimensional volumes quickly, providing rich information in the critical 10-100 nm feature length scale. During tomogram acquisition, a "rocking polish" is often used to reduce straight-line "curtaining" gradations in the milled sample surface. While this mitigation scheme is effective for deep curtains, it leaves shallower line artifacts at two discretized angles. Segmentation and other automated processing of the image set requires that these artifacts be corrected for accurate microstructural quantification. Our work details a new Fourier-based linear optimization model for correcting curtaining artifacts by targeting curtains at two discrete angles. We demonstrate its capabilities by processing images from a tomogram from a multiphase, heterogeneous concrete sample. We present methods for selecting the parameters which meet the user's goals most appropriately. Compared to previous works, we show that our model provides effective multi-angle curtain correction without introducing artifacts into the image, modifying non-curtain structures or causing changes to the contrast of voids. Our algorithm can be easily parallelized to take advantage of multi-core hardware.
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 | 0,001 | 0,000 |
| 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