编辑推荐：
噪声是所有实验物理测量中固有的。扫描电子显微镜（SEM）已成为一种极为重要的成像仪器。其提供高分辨率纳米尺度信息的能力，加之相对简便的样品制备过程，使其成为半导体器件检测、地质采样、生物医学科学、电子束光刻等广泛应用的强大工具。尽管具有卓越的高分辨率成像能力，
噪声是所有实验物理测量中固有的。扫描电子显微镜（SEM）已成为一种极为重要的成像仪器。其提供高分辨率纳米尺度信息的能力，加之相对简便的样品制备过程，使其成为半导体器件检测、地质采样、生物医学科学、电子束光刻等广泛应用的强大工具。尽管具有卓越的高分辨率成像能力，但由于多种退化因素，SEM仍远未达到其理论分辨率极限。其中，噪声或许是最基本的因素，显著影响该电子束工具的预期性能。尽管SEM中的图像去噪已被广泛研究并报道了有前景的结果，但大多数现有方法依赖于噪声参数的先验假设，例如其标准差或方差。准确的噪声参数估计对于有效的图像恢复、去噪、反卷积和分析至关重要。此外，合成SEM图像生成领域日益增长的兴趣凸显了纳入反映实验条件的真实噪声模型的必要性。在SEM中，最终图像中的噪声可归因于电子源、束-样品相互作用、探测器以及显示最终图像的信号处理。在文献中，通常假设噪声服从泊松（Poisson）分布或高斯（Gaussian）分布，这归因于电子照射的泊松性质以及成像过程中较长的驻留时间。然而，最终图像中的实际噪声分布要复杂得多，并受多种复合因素的影响。取决于显微镜的操作条件、样品以及所用探测器类型——背散射电子（BSE）或二次电子（SE）——噪声分布可能发生变化，并可能服从Gamma分布、Neyman Type-A分布（复合泊松分布）、高斯分布、负二项分布。2003年，Prasad和Joy证明束流和驻留时间均显著影响SEM图像中噪声的统计性质。据报道，在SE均值较低时，噪声分布偏离理想泊松统计，而当平均SE电子数增加时，分布变得准确高斯化。近期，Rahman等人报道较快的扫描速率（短驻留时间）倾向于呈现Gamma分布或Gamma分布族。此外，其他研究表明，在低加速电压和短驻留时间下，SE电子服从复合泊松分布（Neyman Type-A），而非预期的泊松行为。这些观察结果强调，在不考虑实际参数的情况下，不能假设SEM图像中的噪声服从特定的统计分布。尽管如此，大多数关于SEM噪声参数估计的研究仍依赖于向图像中添加合成噪声（高斯噪声）的方法，通常使用深度学习框架。其思路是测试这些方法能否恢复已知的噪声水平和分布。然而，在合成 corrupted 图像上的性能可能无法表明该方法在实验SEM图像中识别噪声分布的可靠性，特别是当测量噪声与用于生成合成数据的模型不同时。近年来，基于深度学习的SEM分类问题因其在高维数据中的成功应用而受到显著关注。尽管其在SEM噪声分类中的应用仍处于早期阶段，但已有研究展示了有前景的性能。先前的工作也证明了使用深度学习技术进行自动噪声估计以改善图像去噪的潜力。卷积神经网络（CNN）已广泛应用于目标识别和分类等计算机视觉任务，非常适合学习与不同噪声分布相关的判别性特征。此外，准确的噪声类型分类可以支持噪声感知去噪算法和真实合成SEM图像生成的发展。传统统计拟合在均匀图像区域或参考样品可用时提供了表征SEM噪声的有效手段。然而，该方法通常涉及为每个新测量拟合和比较候选概率分布。相比之下，训练好的分类网络可以直接从合适的噪声主导图像块中识别噪声分布，而无需在推理阶段重复分布拟合或需要单独的参考样品测量。本研究利用实验获取的SEM图像研究这种自动分类能力。本研究的主要目标是系统分析在不同操作条件下获取的SEM图像，以识别其潜在的噪声分布。在此分析基础上，研究人员提出了一种基于深度学习的SEM噪声分布自动分类框架。该方法采用传统CNN增强卷积块注意力模块（CBAM）。与传统仅依赖卷积特征提取的CNN不同，所提出的架构结合了通道和空间注意力机制，以增强对细微统计模式的分辨能力。研究人员进一步使用相同的数据集和分类设置，将所提出的模型与最先进的预训练架构进行了评估比较。
研究背景方面，噪声是所有实验物理测量中固有的，扫描电子显微镜（SEM）虽已成为高分辨率纳米尺度成像的重要工具，但噪声显著影响其性能。目前大多数SEM图像去噪方法依赖于噪声参数的先验假设，而实际噪声分布受电子源、束-样品相互作用、探测器类型（背散射电子BSE或二次电子SE）、驻留时间、加速电压等多种因素影响，可能服从Gamma分布、Neyman Type-A分布（复合泊松分布）、高斯分布或负二项分布等多种形式。现有研究多依赖向图像中添加合成高斯噪声来验证方法，但合成数据上的性能未必能反映实验SEM图像中噪声分布识别的可靠性。传统统计拟合方法需要为每次新测量拟合和比较候选分布，效率有限。因此，有必要系统分析不同操作条件下SEM图像的实际噪声分布，并开发自动化的噪声分布分类方法。
研究人员开展了系统性研究：首先在不同驻留时间（τ=0.12至3.24 μs）、加速电压（2、3、5、7、10、15 kV）和探测器类型（in-lens SE、in-chamber SE、BSE）条件下，从硅样品获取1000kX放大倍率的无特征图像（2048×1536像素），进行直方图分析和统计分布拟合，以确定潜在噪声分布；基于拟合结果对图像进行标注，将图像分割为128×128像素块构建12000张图像的数据集（70%训练、15%验证、15%测试），用于训练分类器；提出CNN-CBAM深度学习框架进行自动噪声分布分类，并与ResNet18、ResNet34、VGG16、MobileNetV2、EfficientNetB2等预训练架构进行比较。研究得出结论：SE噪声在短驻留时间下服从Neyman Type-A分布，BSE噪声更适合用Gamma分布描述；CNN-CBAM模型达到97%的分类准确率，优于预训练架构。该研究为噪声感知去噪、SEM图像分析和合成SEM图像生成提供了基础。
关键技术方法方面，研究人员采用Zeiss Supra 40 VP SEM在1000kX放大倍率下从硅样品获取无特征图像，使用in-lens和in-chamber二次电子探测器及背散射电子探测器，加速电压为2至15 kV，驻留时间范围为0.12至57.2 μs，标准光阑30 μm。统计分析方法包括直方图视觉检查、Anderson-Darling（AD）、Jarque-Bera（JB）和Shapiro-Wilk（SW）正态性检验，以及使用均方误差（MSE）和Kolmogorov-Smirnov（KS）统计量进行分布拟合比较。深度学习方面，构建了包含三个卷积块的CNN-CBAM模型，每个卷积块由2D卷积层、Leaky ReLU激活、最大池化层和CBAM层组成，使用 categorical cross-entropy 损失函数和早停策略进行训练，批次大小为32。评估指标包括准确率、精确率、召回率和F1分数。
研究结果方面：（1）在"Normality tests"部分，通过AD、JB和SW检验发现，短驻留时间下噪声分布强烈偏离高斯分布，随着驻留时间增加，AD和JB统计量显著下降、SW统计量趋近于1，表明逐渐向高斯统计收敛，在τ≈3.24 μs时与高斯分布最为接近。（2）在"Histogram fitting"部分，通过对Gamma、高斯、负二项和Neyman Type-A分布的拟合比较发现，SE信号在短驻留时间下（in-lens探测器τ=0.12至0.86 μs，in-chamber探测器τ=0.12至1.65 μs）最佳拟合为Neyman Type-A分布；BSE信号在整个研究驻留时间范围内更适合用Gamma分布描述，较大驻留时间下趋近高斯行为。在不同加速电压下重复实验，最佳拟合分布族保持大体一致。（3）在"Results of pretrained models"部分，MobileNetV2和EfficientNetB2在无微调时达到最高准确率（86%），ResNet18和ResNet34较低（71%和76%），VGG16为79%；微调后MobileNetV2提升至88%，但EfficientNetB2下降至76%。（4）在"Results of the proposed CNN–CBAM model"部分，CNN-CBAM模型在测试集上达到97%总体准确率，各类F1分数分别为Gamma 96%、Gaussian 95%、Neyman Type-A 91%，混淆矩阵显示Neyman Type-A样本被误分类为Gaussian是主要错误来源。（5）在"Comparison of the proposed model with CNN results"部分，与传统CNN相比，CNN-CBAM在Gamma类F1分数提升11%、Gaussian类提升18%、Neyman Type-A类提升4%，表明注意力机制对统计差异较细微的类别尤为有益。（6）在"Performance of CNN-CBAM"部分，模型在Tescan Mira3 SEM获取的蚂蚁BSE图像上展现出良好的泛化能力，对平坦感兴趣区域（ROI）的噪声分布预测为Gamma分布，置信度91.2%；在去噪应用示例中，基于Gamma似然的TGV方法达到最高SNR（29.46 dB），优于BM3D（24.32 dB）、NLM（23.54 dB）和DnCNN（24.58 dB）。
讨论部分总结：本研究通过实验数据表明，SEM噪声分布随探测器类型和驻留时间变化。正态性检验显示短驻留时间下强烈偏离高斯行为，随驻留时间增加逐渐向高斯统计收敛。直方图拟合表明SE噪声服从Neyman Type-A分布，BSE直方图最适合用Gamma分布描述。在所考察的加速电压范围内，最佳拟合分布族保持大体一致。迁移学习基线达到中等至较强性能，MobileNetV2获得最佳预训练准确率（约88%）；传统CNN总体准确率为86.33%；而CNN-CBAM模型达到97%总体准确率和最高98%的F1分数。该工作通过提供基于实验的SEM噪声分布表征和自动分类框架，为噪声感知去噪、参数估计和合成SEM图像生成等潜在下游应用奠定了基础。未来工作将扩展框架以纳入负二项分布等额外噪声模型，并实现包含噪声类型分类、方差估计和去噪方法选择的整个流程的全自动化。
研究结论翻译：本文提出了一个用于在受控成像条件下识别探测器噪声分布的统计分析和深度学习分类框架。在使用in-lens SE、in-chamber SE和BSE探测器获取的实验数据中，统计特性随驻留时间变化。正态性检验显示短驻留时间下强烈偏离高斯行为，随着驻留时间增加逐渐向高斯统计收敛，在所测试条件下最接近高斯分布的时间约为τ≈3.24 μs。使用MSE和KS准则的直方图拟合表明，SE噪声服从Neyman Type-A分布。与SE不同，BSE直方图在所研究的驻留时间范围内最适合用Gamma分布描述，较大驻留时间下逐渐向高斯行为转变。实验结果表明，SEM噪声分布随探测器类型和驻留时间变化。在所考察的加速电压（2、3、5、7、10和15 kV）下，最佳拟合分布族保持大体一致，但这并不排除信号强度或其他统计特性随加速电压变化的可能性。本研究未确定这些效应的相对大小。迁移学习基线（ResNet18/34、VGG16、MobileNetV2和EfficientNetB2）达到了中等至较强性能，MobileNetV2获得最佳预训练准确率（约88%）。直接在SEM数据集上训练的传统CNN也证明深度学习可以学习与SEM噪声分布相关的统计模式，总体准确率达到86.33%。然而，所提出的CNN-CBAM模型取得了显著更好的性能，总体准确率为97%，F1分数高达98%。通过提供基于实验的SEM噪声分布表征和自动分类框架，本工作为噪声感知去噪、参数估计和合成SEM图像生成等潜在下游应用奠定了基础。需要进一步研究以确定纳入分类噪声分布是否能在这类应用中带来可测量的改进。总体而言，实验结果表明所提出算法在分类SEM图像噪声分布方面具有稳健性和可靠性。未来工作将扩展框架以纳入负二项分布等额外噪声模型。此外，整个流程——包括噪声类型分类、方差估计和针对给定分布选择合适的去噪方法——应完全自动化以提高效率和实际适用性。
