基于混合统计与CNN特征的扫描电镜图像盲信噪比估计

《Scientific Reports》：Blind SNR estimation in SEM images using hybrid statistical and CNN features

　　

摘要

扫描电子显微镜（SEM）图像质量在很大程度上取决于信噪比（SNR），但在没有干净参考图像的情况下，盲 SNR 估计仍然十分困难。本文提出了 HSCF-KANet，一种将轻量级 CNN 特征与多尺度局部方差和功率谱密度（PSD）相结合的混合框架，并采用 Kolmogorov-Arnold 网络（KAN）回归头用于单图像 SNR 估计。该框架在三个 SEM 数据集上进行了评估，分别是 EPFL CVLab EM、NFFA-EUROPE 和 Biofilm，使用合成高斯噪声方差范围从 0.001 到 0.010。结果显示，HSCF-KANet 在 EPFL CVLab EM 上实现了 0.011 dB 的 MAE，在 NFFA-EUROPE 上实现了 0.049 dB 的 MAE，在 Biofilm 上实现了 0.314 dB 的 MAE。消融研究表明，CNN 结合 KAN 在 NFFA-EUROPE 上获得了最佳 RMSE，而 CNN 结合随机森林（RF）在 Biofilm 数据集上表现最佳。跨数据集结果还表明，频域特征可能会降低跨数据集的鲁棒性。总体而言，研究结果表明混合特征融合可以改善 SEM SNR 估计，但最合适的组件组合和模型复杂度取决于目标数据集。