机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本文介绍了一种利用卷积神经网络在虚拟样本上训练的图像去噪方法，在科学成像中表现出色，并分析了其泛化能力和CNN视野对性能的影响。

该论文提出了一种新的聚合框架用于电子显微镜图像（或体积）分割，显著提高了分割准确度。

本研究解决了在半导体成像和分析中，深度学习应用不足导致的精确控制和优化问题。通过视觉-语言指令调优，我们提出了一个小型多模态框架（MAEMI）以改进半导体电子显微镜图像分析，显著提高了小型模型在视觉问答任务中的准确性。实验结果表明，MAEMI超越了传统方法，能够适应数据分布变化，并支持高通量筛选，具有良好的企业应用潜力。

机器学习在电子显微镜领域得到认可，用于数据后处理和实时决策。未来可能采用人在环回中的自动化实验策略。

机器学习在电子显微镜领域得到认可，用于去噪、语义分割和降维。现在可以在显微镜中部署机器学习工作流，用于实时决策和反馈。未来可能是人在环回中的自动化实验(hAE)，机器学习代理控制实验进展。

本文介绍了一种基于模拟图像的去噪方法，即模拟图像去噪 (SBD) 框架。该框架使用卷积神经网络 (CNNs) 在虚拟样本上进行训练，并在无噪声图像上表现出色。同时，还分析了SBD的泛化能力和CNNs的视野对其性能的影响。

机器学习在电子显微镜领域得到认可，用于去噪、语义分割和降维。现在可以在显微镜中部署机器学习工作流，用于实时决策和反馈。未来可能是人在环回中的自动化实验。

本文介绍了一个可探索超分辨率的任务的框架，包括带有神经网络后端的图形用户界面。该框架的核心是一个新颖的模块，可以包装任何现有的超分辨率网络，并保证其输出与输入精确匹配。同时，该模块还可以处理不同的模糊核。

该文介绍了一种使用TSDF方法从RGB图像中实现三维重建和语义分割的方法，并在Scannet数据集上得到了超过基准结果的评估。

该研究利用扩散模型逆转成像模态的特性，解决了轴向分辨率的挑战。通过2D扩散模型持续重建3D体积，在高度下采样数据中表现出优越性。实验证明了与监督学习方法相比，利用生成先验的鲁棒性和优势。同时，证实了自监督重建方法可以在无训练数据的情况下恢复单个各向异性体积。

通过回顾38篇相关研究论文，总结了基于扫描电子显微镜图像的自动化半导体缺陷检测的现状和发展，并提出了未来工作的方向。

本文介绍了一种名为ACE-HetEM的无监督深度学习架构，可在低信噪比和未知姿态条件下从2D图像中重建三维结构，并实现构象分类和姿态估计的解耦。模拟实验结果显示，ACE-HetEM在姿态估计方面准确性可比，重建分辨率高于非摊销方法，适用于真实实验数据集。