一种用于原子力显微镜（AFM）图像中混合伪影抑制的多尺度注意力网络

《Micron》：A multiscale attention network for mixed artifact suppression in AFM images

　　

作者：明珍·布（Mingzhen Bu）、闫燕（Yanyan Wang）、黄俊龙（Junlong Huang）、李泽（Ze Li）、李宏成（Hongcheng Li）

中国天津市天津工业大学与教育学院信息感知与智能控制重点实验室

摘要

利用原子力显微镜（AFM）进行精确的纳米级表征时，常常会受到复杂混合噪声的干扰，尤其是由仪器机电噪声和反馈不稳定性引起的方向性线状伪影以及随机疤痕。尽管深度学习展现出巨大潜力，但现有模型往往存在一个不理想的权衡：要么留下残余伪影，要么过度平滑关键的地形细节。在本文中，我们提出了一种名为MS-HINet-CBAM的多尺度注意力网络，这是一种专为AFM成像设计的多阶段去噪框架。我们的架构整合了多尺度（MS）模块来捕捉混合噪声的长程空间相关性，以及卷积块注意力模块（CBAM）来动态优先处理真实的地形特征而非伪影。在多种模拟混合噪声场景下的广泛评估表明，我们的模型在视觉保真度和定量指标方面均显著优于现有方法。对均方根（RMS）粗糙度的分析显示，标准模型会显著低估粗糙度，而我们的模型得到的结果与真实值高度一致，从而保持了表面的完整性。此外，该方法在实际应用中通过对有机分子和细菌细胞的AFM图像进行处理，证明了其在材料和生命科学领域进行更可靠定量分析的实用性。

引言

原子力显微镜（AFM）是纳米级表面形貌分析不可或缺的工具，因其高分辨率和操作简便性而备受青睐（Giessibl?, 2003）。在材料科学中，AFM对于表征有机电子材料尤为重要。例如，在OLED和OPV中的电荷传输特性直接与薄膜的微观形态相关（Li et al., 2012）。通过精确捕捉晶体畴大小、相分离和表面粗糙度等特征，AFM为材料优化提供了直接证据。此外，它还能动态追踪失效机制，如柔性器件中的裂纹扩展（Kaltenbrunner et al., 2013）。这些后续定量分析的可靠性完全依赖于原始AFM图像的保真度（Ma et al., 2010）。

然而，原始AFM图像常常受到随机噪声、线状噪声和疤痕噪声等多种噪声类型的干扰（Tian et al., 2015）。这种混合噪声对地形保真度构成了严峻挑战，因为其特性可能与分析所需的细微纹理细节相似。传统的去噪方法（如中值滤波（Li and Fan, 2002, Zhang et al., 2007）和小波变换（Donoho, 2002）在抑制噪声和保留细节之间难以取得平衡，常常导致过度平滑或残余伪影。

深度学习方法显示出潜力。现有模型在应用于AFM数据时存在明显局限。尽管DnCNN（Zhang et al., 2016）和DenseNet（Huang et al., 2016）等架构功能强大，但容易发生“过度平滑”，从而抹去关键的纳米级特征。在显微镜学背景下，过度平滑不仅仅是视觉缺陷；它是一种系统性误差，会人为地使纳米级特征变得平坦，并扭曲均方根（RMS）粗糙度等关键物理参数。像FFDNet（Zhang et al., 2018）这样的模型需要噪声水平估计，可能无法很好地适应AFM中存在的空间变化和非平稳噪声。此外，自监督方法（例如Noise2Noise（A et al., 2019）、Noise2Void（Krull et al., 2019））虽然减少了了对干净数据的需求，但往往无法区分细微的地形细节和噪声，从而影响了AFM分析的高保真度要求。因此，迫切需要一种专门针对AFM图像独特混合噪声特征的去噪方法。

为了弥合计算机视觉和纳米级测量之间的差距，我们提出了MS-HINet-CBAM，这是一种专为AFM成像的物理特性量身定制的新型多阶段深度学习架构。在强大的半实例归一化网络（HINet）框架基础上，我们的设计引入了协同的双组分增强机制。首先，由于AFM线状伪影沿快速扫描轴具有强烈的空间相关性，我们引入了多尺度（MS）并行模块来提取和抑制不同感受野中的长程伪影特征。其次，为了有效解决普遍存在的过度平滑问题，我们整合了卷积块注意力模块（CBAM）。通过动态重新加权通道和空间注意力，该网络优先保留真实的地形高频细节（如晶界和聚合物链），同时过滤掉噪声。

在精心模拟的混合噪声数据集和真实世界原始AFM地形上的广泛评估证明了MS-HINet-CBAM的优越性。除了在传统像素级指标（PSNR和SSIM）和视觉清晰度方面达到最先进水平外，我们的主要贡献在于确保了形态保真度。对表面粗糙度的定量评估表明，我们的模型有效防止了由寄生平滑引起的表面统计退化。在有机分子和细菌细胞的真实记录上进行验证，这项工作超越了传统的图像去噪方法，为材料和生命科学领域的先进定量分析提供了物理上可靠、高保真的计算工具。

章节摘录

方法

如引言中所讨论的，有效减少AFM图像中的复杂混合噪声同时保留精细地形细节仍然是一个重大挑战。传统的去噪方法（如空间滤波（例如中值滤波（Sakai et al., 2020）和双边滤波器（Jin et al., 2012））、变换域技术（例如小波变换（Zhang et al., 2021）以及基于补丁的方法（例如非局部均值（Coll, 2005））通常难以在这两者之间取得平衡

混合噪声场景下的定量比较

为了严格评估我们提出方法的性能，我们将其与一系列基线方法在合成混合噪声测试集上进行了对比。表3总结了使用两种广泛使用的指标（PSNR和SSIM）评估的三种具有挑战性的混合噪声场景下的定量结果。数据表明，在所有测试条件下，提出的MS-HINet-CBAM在所有指标和噪声范式中均获得了最高分数。正如预期的那样，传统滤波方法

讨论与结论

在这项工作中，我们解决了AFM图像中混合噪声污染这一关键问题，这一问题从根本上限制了纳米级分析的准确性。我们开发并验证了一种新型深度学习模型MS-HINet-CBAM，它在AFM图像去噪方面达到了最先进的性能。我们的全面实验表明，该模型显著优于传统的滤波算法和现有的深度学习架构（如U-Net和原始的HINet）。

CRediT作者贡献声明

明珍·布（Mingzhen Bu）：撰写——初稿。李宏成（Hongcheng Li）：验证。李泽（Ze Li）：形式分析。黄俊龙（Junlong Huang）：数据整理。闫燕（Yanyan Wang）：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了天津市自然科学基金项目 [项目编号 23JCYBJC01070] 和 天津市计量科学技术项目 [项目编号 2024TJMT052] 的资助。

本文的研究数据

所使用的数据是保密的。感兴趣的研究人员可以通过联系相应作者并提出合理的研究请求来获取部分代码。