Original title: Fúze obrazu z více detektorů ve skenovací elektronové mikroskopii
Translated title: Multi-Detector Scanning Electron Microscopy Image Fusion
Authors: Konečný, Marek ; Vaško, Marek (referee) ; Čadík, Martin (advisor)
Document type: Master’s theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Moderní rastrovací elektronové mikroskopy (SEM, z angl. Scanning Electron Microscope) jsou vybaveny vícero detektory, které souběžně poskytují unikátní modality pro pozorování skrytých složek elektronového signálu. Souběžné využití vícero detektorů umožňuje přesnější analýzu fyzikálních vlastností vzorku, avšak každý detektor do signálu zanáší unikátní reziduální složky, zejména obrazový šum a další obrazové artefakty. To motivuje vícemodální fúzi obrazů, jejímž cílem je kombinovat informativní složky signálů a potlačit nežádoucí složky. Tato práce adaptuje a vyhodnocuje několik metod fúze obrazů, využívajíc jak objektivní metriky, tak subjektivní hodnocení kvality. Pokryty jsou metody pracující v doméně intenzity i v doméně gradientů a také přístupy založené na strojovém učení. Hlavním přínosem práce je nová metoda fúze založená na dekompozici signálu na skryté složky pomocí konvoluční neuronové sítě typu enkodér–renderer, trénované převážně self-supervised přístupem. Natrénovaná architektura, nakonfigurovaná striktně na odšumování vstupních kanálů, dosahuje průměrného zlepšení PSNR zhruba o 15 dB při nízké kvalitě vstupních kanálů. Modern Scanning Electron Microscopes (SEM) are equipped with multiple detectors that simultaneously provide distinct modalities for observing the intrinsic electron signal components. While their combined use enables finer specimen analysis, each detector also introduces residual signal components, such as shot noise and other imaging artifacts. This motivates multimodal image fusion, which aims to combine informative signal components while suppressing unwanted artifacts. This work adapts and evaluates several image fusion methods, utilizing both objective quality metrics and subjective assessment. Methods operating in both the spatial and gradient domains, as well as machine learning-based techniques, are covered. The main contribution is a novel fusion method based on intrinsic signal decomposition using a convolutional encoder-renderer neural network trained in a predominantly self-supervised manner. When configured to strictly denoise the input channels during reconstruction, the trained architecture achieves a mean PSNR gain of up to approximately 15 dB in low-quality imaging scenarios.
Keywords: Dekompozice obrazu na latentní složky; Diferencovatelný renderer; Enkodér; Fúze obrazu; Hluboké učení; Neuronové sítě; Rastrovací elektronová mikroskopie (SEM); Restaurování obrazu; Subjektivní vyhodnocení; Zpracování obrazu; Deep Learning; Differentiable Renderer; Encoder; Image Fusion; Image Processing; Image Restoration; Intrinsic Image Decomposition; Neural Networks; Scanning Electron Microscopy (SEM); Subjective Trials

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/260439

Permalink: http://www.nusl.cz/ntk/nusl-776378


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses