Core Concepts
Ein neuer Ansatz für die Rauschunterdrückung in spektroskopischen Daten durch ein zweistufiges Deep-Learning-Verfahren.
Abstract
I. Einführung
De-noising ist ein wichtiger Schritt in der spektralen Nachverarbeitung.
Bisherige Methoden basieren auf überwachtem Lernen oder unüberwachtem Lernen.
Ein neuer Ansatz wird vorgestellt, der auf einem zweistufigen Deep-Learning-Verfahren ohne Trainingsdaten basiert.
II. Methodik
Zerlegung eines verrauschten ARPES-Bildes in saubere Spektren und Messrauschen.
Verwendung von neuronalen Netzwerken zur Modellierung der sauberen Spektren und des Rauschens.
Einführung einer adaptiven Priori für die Spektren zur Beschleunigung des Trainings.
III. Anwendungen
Anwendung auf ARPES-Spektren von FeSe mit Vergleich zu anderen Methoden.
Verbesserung der Bandstrukturen und Rauschunterdrückung.
Beschleunigung des Trainingsprozesses im Vergleich zu früheren Methoden.
IV. Diskussion
Bedeutung des Verhältnisses der Lernraten für den Algorithmus.
Positive Eigenschaften der Optimierungslanschaft für schnelle Konvergenz.
Potenzielle Erweiterung des Algorithmus auf andere wissenschaftliche Bildverarbeitungsaufgaben.
Stats
Unser Ansatz kann eine fünffache Beschleunigung im Vergleich zu früheren Arbeiten erreichen.
Die Landschaft des nicht-konvexen linearen Problems zeigt günstige Bedingungen für die Konvergenz von Algorithmen erster Ordnung.
Quotes
"Unser Ansatz kann eine fünffache Beschleunigung im Vergleich zu früheren Arbeiten erreichen."
"Die Landschaft des nicht-konvexen linearen Problems zeigt günstige Bedingungen für die Konvergenz von Algorithmen erster Ordnung."