🔬 optics

Event-sparse stack denoising for 4D-STEM applications

本文介绍了一种用于 4D-STEM 的事件稀疏堆叠去噪方法，该方法利用时间分辨电子事件数据和基于稀疏性的算法，在显著降低电子剂量的情况下实现相当的图像质量，同时增强了缺陷检测灵敏度并实现了关键的剂量估算。

原作者： Gregory Nordahl, Rebekka Klemmt, Espen Drath Bøjesen

发布于 2026-07-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Gregory Nordahl, Rebekka Klemmt, Espen Drath Bøjesen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图用一台对光极其敏感的相机拍摄一张微小且脆弱的雪花照片。如果你使用强光闪烁，雪花会瞬间融化，在你能看清它之前就毁掉了照片。如果你使用微弱的光，照片会充满颗粒感和静电噪声，导致无法看到精细的细节。这正是科学家们在使用一种名为 4D-STEM（四维扫描透射电子显微镜）的强大工具时面临的日常挣扎。4D-STEM 不仅仅是拍一张普通的照片，它是通过向材料发射电子束，逐点进行扫描，从而构建出其原子结构的图谱。问题在于，为了获得清晰的图像，你通常需要用大量的电子轰击样品，但这会不小心损坏或摧毁你试图研究的对象。这是一个经典的“双输”困境：你需要充足的光来清晰成像，但光本身又会破坏观察对象。

为了解决这个问题，科学家们尝试过各种技巧，比如使用特殊的滤波器来平滑颗粒噪声，或者将像素组合在一起使其变得更亮。但这些方法往往会模糊精细的细节，或者需要耗时极长的复杂计算机处理。核心问题一直在于：我们能否在不使用足以“融化”样本的电子量的情况下，获得一张晶莹剔透的图像？答案在于一种聪明的全新成像方式——它不再将电子视为连续的光流，而是将其视为一个个独立的、稀有的事件，并利用一个智能计算机程序来清理这些“杂乱”。

论文的故事：捕捉幽灵以净化图像

在这篇论文中，来自丹麦奥胡斯大学的研究团队介绍了一种他们称之为“事件稀疏堆叠去噪”（event-sparse stack denoising）的新方法。可以把它想象成一种拍摄一系列超短、超暗样本快照的方法，然后利用数字魔术将它们合并成一张完美的图像，而整个过程仅使用了极小比例的电子“剂量”。

研究人员并没有进行一次长曝光（即让电子同时撞击探测器，从而产生嘈杂且模糊的混乱图像），而是使用一种特殊的相机在每个点位拍摄数百张微小的快照，每张快照仅持续 1 微秒（百万分之一秒）。由于曝光时间极短，大部分时间内探测器并没有接收到任何电子。当电子确实到达时，它就是一个稀有的、孤立的“事件”。这产生了一系列图像堆叠，其中大部分是空白的黑色空间，仅散布着一些光点。

随后，研究人员将这些堆叠图像输入两个不同的“清洗”流程，以将真实的信号（材料的实际结构）与随机噪声（电子静电）分离。

第一种方法使用的是一种名为 DBSCAN 的技术。想象你正在参加一个拥挤的派对，大多数人只是在小组聊天，但也有少数人在角落里随机大喊大叫。DBSCAN 就像是一个保安，他寻找那些聚集在一起的人群。如果一个人孤零零地站在角落里（随机噪声点），保安就会忽略他；如果他们属于一个群体（代表形成图案的真实电子撞击探测器），他们就能留下。研究人员发现，通过寻找这些集群并检查哪些位置在数百张快照中重复出现，他们就能构建出一张干净的材料图谱。

第二种方法使用的是 Sparse PCA（稀疏主成分分析）。可以将其想象为试图在一首由一百种不同乐器演奏的歌曲中找到“主旋律”，其中有些乐器可能走调了。该算法观察所有的快照，并询问：“什么样的模式在以一种一致的方式不断出现？”它保留一致的模式（真实信号），并丢弃随机、混乱的噪声。

他们的发现

研究结果令人印象深刻，尤其是在处理脆弱材料方面。当研究人员在模拟数据（计算机生成的金纳米颗粒模型）上测试其方法时，他们发现了一个惊人的现象：他们通过仅 200 张微小快照中的 31 张构建出的清洗图像，看起来与使用全部 200 张快照构建的标准图像一样出色。简单来说，他们仅使用 16% 的常规电子剂量就达到了同样的图像质量。这意味着他们在暴露于不到六分之一的辐射量时，就能看到同样的细节，这对于保护脆弱样本来说是一个巨大的胜利。

他们还在现实世界的样本上进行了测试。首先，他们观察了一层薄金膜。尽管金是一种强散射体，通常会产生大量的背景“雾气”，但他们的方法清除了这些干扰，使微小的晶体更加清晰可见。

接着，他们观察了鸟嘌呤纳米晶体（存在于生物材料中的微小晶体）。这些晶体通常具有难以察觉的细微弯曲或缺陷。研究人员发现，他们的去噪方法能让这些缺陷以前所未有的方式凸显出来。具体而言，他们检测到的晶体模式偏移比以前敏感了 4.1 倍。这就像是从一副普通眼镜升级到了高倍望远镜，能够识别远处窗户上的单处裂纹。

观察损伤过程

这种方法最酷的副作用之一是，它让科学家能够实时观察样本受损的过程。因为他们是按顺序拍摄数百张快照，所以他们可以精确看到电子束何时开始伤害材料。在鸟嘌呤晶体中，他们注意到信号在大约第 31 帧后开始下降。通过在此处停止并丢弃后续受损的帧，他们可以创建一张“曝光选择性”图像，该图像仅展示样本原始、未受损的部分。

他们还利用这一点测量了“临界剂量”——即材料开始崩溃的临界点。对于鸟嘌呤，他们计算出临界剂量约为 1.66 × 10⁴ e-/Å²。这个数字对其他科学家来说是一项至关重要的信息，因为它准确告诉了他们可以在“闪烁”样本而不至于将其毁坏之前，最多能使用多少剂量。

局限性与未来

论文也承认存在一些局限性。清洗过程并不完美；有时，如果信号非常微弱，该方法可能会在去除噪声的同时也误删了一些真实的细节。此外，目前的方法受限于相机向计算机硬盘写入数据的速度。他们目前在每个点位大约能捕捉 100 张快照，但若要获得更好的结果，则需要捕捉更多快照，这需要更快的传输速度。

然而，作者指出，随着新型探测器（称为事件驱动型探测器）的出现，这些速度限制将会消失。这些新相机不会存储空白空间，因此速度更快、效率更高。

总之，这篇论文表明，通过拍摄许多许多微小的、稀疏的快照并利用智能数学方法寻找模式，我们可以在不破坏观察对象的情况下，更清晰地看到微观原子世界。这是迈向未来的重要一步，在未来，我们可以研究宇宙中最脆弱的材料，而无需担心将它们“融化”。

技术摘要：用于 4D-STEM 的事件稀疏堆叠去噪技术

问题陈述

四维扫描透射电子显微镜 (4D-STEM) 是定量纳米级表征的强大工具，但它仍然容易受到噪声的影响，特别是在需要低剂量照射的束流敏感材料研究中。虽然直接电子探测器（例如 MAPS、HPAD）与闪烁体耦合探测器相比，提供了更高的信噪比 (SNR) 和帧率，但它们仍然会引入来自读出电子器件和能量沉积变化（例如朗道分布噪声）的噪声。

传统的去噪方法面临显著的权衡：

滤波（高斯滤波、维纳滤波、非局部均值滤波）： 通常会去除高频成分，导致精细细节的丢失。
像素合并 (Pixel Binning)： 增加了信噪比，但牺牲了空间和倒易空间分辨率。
降维（PCA、NMF、张量 SVD）： 这些非局部方法通过分析空间分离的点来提取方差。虽然有效，但在处理非周期性数据（例如多晶或无序材料）时可能会遇到困难，且计算量巨大。
深度学习： 无监督卷积神经网络显示出应用前景，但计算需求高、速度慢，且本质上是非局部的。

因此，需要一种既是局部的、独立于扫描位置、计算效率高，且能够保留低剂量、事件稀疏数据中结构信息的去噪方法。

方法论

作者引入了事件稀疏堆叠去噪 (Event-Sparse Stack Denoising) 方法，将标准的 4D-STEM 数据采集转化为局部时间分辨 STEM (LTR-STEM)。该方法不再是为每个扫描位置集成单个衍射图样，而是让探测器在每个位置记录多个超短曝光（约 1 µs）的衍射图样堆叠。这创建了一个五维 (5D) 数据集： $(x, y, \text{stack}, \text{pixel}_x, \text{pixel}_y)$ 。

在每个扫描位置的图样堆叠进行求和之前，应用了两种不同的基于稀疏性的去噪流水线：

基于聚类的去噪 (DBSCAN)：
- 利用基于密度的空间聚类及其噪声检测 (DBSCAN) 算法来识别电子事件簇。
- 参数： eps（近似布拉格反射的半径）和 min_samples（局部电子计数密度）。
- 过程： 孤立的强度计数（噪声）被视为离群值并予以移除。
- 阈值处理： 对剩余计数应用两步阈值处理以生成掩模：
  - 软阈值： 使用 Sigmoid 函数根据持久性图（跨堆叠的累积计数）创建一个类似于概率的掩模。
  - 硬阈值： 对软掩模应用二值截断，以最终确定衍射掩模。
- 该方法对低频噪声具有鲁棒性，并能保留布拉格反射的物理位置。
基于分解的去噪 (Sparse PCA)：
- 应用稀疏主成分分析 (Sparse PCA) 处理堆叠，将其分解为按解释方差排序的正交分量。
- 过程： 仅使用单个分量 ( $n_{comp}=1$ ) 重建数据。这起到了一种数据驱动求和的作用，其中只有表现出一致、结构化方差的像素会被保留；随机噪声则被抑制至接近于零。
- 阈值处理： 对重建后的图样应用最终的低强度阈值（通常为 $10^{-2}$ 至 $1$）。
- 该方法需要的输入参数较少（主要为强度阈值），且实现起来更简单。

关键结果

1. 对模拟数据的性能表现

使用受泊松噪声干扰的模拟 Au [001] 衍射图样进行测试：

PSNR 分析： 在几乎所有的分量模式 ( $n$ ) 范围内，两种方法都比噪声重建具有更高的峰值信噪比 (PSNR)。
剂量效率： 当使用仅 31 个分量 时，DBSCAN 方法达到了与使用全部 200 个分量的噪声重建相同的 PSNR。这代表在保持相当图像质量的前提下，实现了 ~16% 的曝光时间（及剂量）缩减。
伪影抑制： 研究发现，为了防止 PSNR 曲线出现不连续性，必须采用软-硬双阈值处理程序。

2. 多晶金的虚拟成像

应用于实验测得的 2–3 nm 多晶 Au 薄膜数据：

对比度提升： 去噪有效地抑制了金材料固有的显著弥散背景信号，显著提高了虚拟暗场 (VF) 图像的对比度。
权衡： 两种方法都导致了衍射圆盘结构的局部丢失，特别是对于微弱的高角度反射。DBSCAN 保留了更接近原始数据的强度，而 Sparse PCA 提供了更激进的噪声抑制。

3. 鸟嘌呤纳米晶体的缺陷映射

应用于表现出晶体弯曲现象的鸟嘌呤纳米晶体：

灵敏度增强： 去噪显著改善了对由于弯曲引起的微妙径向圆盘偏移的检测。
定量增益： 对相对径向圆盘偏移的灵敏度提高了 4.1 倍。原始数据中的峰-谷变化约为 0.9%，而在去噪后增加到了约 3.7%。
机制： 通过特定参数调节（较低的 eps），DBSCAN 方法有效地捕捉到了被噪声遮蔽的圆盘内强度重新分布的信息。

4. 临界剂量估计与选择性曝光成像

LTR-STEM 获取策略实现了对束流诱导退化的实时监测：

剂量追踪： 通过分析堆叠中 (100) 圆盘的积分强度，作者识别出了由于束流损伤导致的信号单调下降过程。
临界剂量： 对于鸟嘌呤，确定了约为 $1.66 \times 10^4$ e-/Å² 的临界剂量 ( $D_C$ )（即强度下降至初始值的 $1/e$ 时）。
选择性成像： 该方法允许进行“选择性曝光成像”，即仅使用发生显著退化（例如，保留 $\ge$ 90% 信号）之前的帧进行分析，从而有效地丢弃受损数据。

重要性与声明

本文声称，事件稀疏堆叠去噪为低剂量 4D-STEM 提供了一种实用且计算高效的局部策略。其重要性在于：

剂量降低： 在模拟中，以显著更低的电子剂量（约为标准曝光的 16%）实现了高质量的图像重建，这对于束流敏感材料至关重要。
灵活性： 与非局部降维技术不同，该方法独立于扫描位置，适用于非周期性、多晶和无序材料。
增强灵敏度： 它能够检测到被噪声掩盖的微妙结构特征（例如晶体弯曲）。
损伤表征： LTR-STEM 获取模式有助于直接估计临界剂量阈值，并支持选择性曝光成像协议。

局限性

作者承认存在以下局限性：

信息丢失： 噪声去除与保留微弱高角度衍射圆盘结构之间存在内在的权衡。
吞吐量限制： 该方法目前受限于基于帧的探测器（如 MerlinEM）的数据吞吐量，其中读出间隔时间限制了每个堆叠可以捕获的图样数量。作者建议，具有极小间隔时间的事件驱动型探测器（如 TimePix3）可以解决这一瓶颈。