Self-supervised low-dose high-throughput EM image restoration
연구 내용
전자빔 손상과 잡음 제한을 줄이기 위해 자기지도 학습으로 저선량 전자현미경 영상을 고처리량으로 복원하는 연구
전자현미경은 해상도와 정보량을 얻는 과정에서 전자빔에 의한 재료 손상이 동반되며, 저선량 조건에서는 잡음이 구조 해석을 제한합니다. 본 연구는 단일(raw) 입력 영상과 그 안의 고유 잡음만을 활용해 denoising 모델을 학습하고, 대규모 ground-truth 학습 없이도 다양한 TEM 모드에서 구조 분석 품질을 높이는 방향을 목표로 합니다. 특히 시간시계열, in situ 액상 관측, cryo-TEM 등에서 복원 결과가 정량적 분석 가능 수준으로 연결되도록 설계되어, 최소 침습 관측과 고처리량 구조 판독을 동시에 지원하는 차별성을 가집니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
2025년에는 저선량 전자현미경에서 발생하는 손상-잡음 트레이드오프를 완화하기 위해 자기지도 학습 기반의 고처리량 영상복원 프레임워크를 제안했습니다. 이후 단일 데이터만으로 학습이 가능하다는 전제를 확장해, 서로 다른 전자현미경 운용 조건과 시료 유형에서 복원 성능을 비교·검증하는 방향으로 발전했습니다. 현재는 이를 실시간·대량 관측 파이프라인과 결합해 구조-물성 관계 분석의 병목을 줄이는 적용 단계로 전개되고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Self-supervised machine learning framework for high-throughput electron microscopy