四维扫描透射电子显微镜衍射图案的基准数据集与基线方法
A benchmark dataset and baseline methods for four-dimensional STEM diffraction patterns
- Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学未来技术学院）
- Global College, Shanghai Jiao Tong University（上海交通大学全球学院）
- Materials Science and Engineering, Shanghai Jiao Tong University（上海交通大学材料科学与工程学院）
- Contemporary Amperex Technology Co., Ltd.（宁德时代新能源科技股份有限公司）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本文提出4D-STEM衍射图案基准数据集4D-ImageNet（含174,000个图案），并提供基线检测方法及混合域基准，用于表示学习、圆盘检测等研究。
AI中文摘要：
四维扫描透射电子显微镜（4D-STEM）在每个电子探针位置记录一个二维衍射图案，从而产生空间分辨的倒易空间信息，但数据量大且异质性强。本文描述了4D-ImageNet，一个包含174,000个衍射图案的数据集，其中包含从29次采集中选取的145,000个实验图案和29,000个多层切片模拟图案。实验数据涵盖了Ag、Au、混合Au-Ag、CoO、Pd和ZnO样品的采集级标签，涉及多个视场、扫描维度、相机长度和曝光时间。每次采集贡献5,000个按质量排序的图案，并附有源扫描坐标和采集元数据。一个集合预测检测器为直射束位置和布拉格圆盘中心提供模型派生的伪标签，并为每个圆盘提供置信度分数。模拟数据涵盖13种晶体结构，包括欧拉旋转、倒易空间采样和近似低指数束方向。提供了一个分组混合域掩码重建基准，用于评估跨实验和模拟数据的抗泄漏加载和评估。该数据集旨在用于表示学习、圆盘检测、衍射图案检索、取向分析以及模拟到实验的研究。
英文摘要：
Four-dimensional scanning transmission electron microscopy (4D-STEM) records a two-dimensional diffraction pattern at each electron-probe position, yielding spatially resolved reciprocal-space information but large, heterogeneous data volumes. Here we describe 4D-ImageNet, a collection of 174,000 diffraction patterns comprising 145,000 experimental patterns selected from 29 acquisitions and 29,000 multislice simulations. The experimental data cover acquisition-level labels for Ag, Au, mixed Au-Ag, CoO, Pd and ZnO specimens across multiple fields of view, scan dimensions, camera lengths and exposure times. Each acquisition contributes 5,000 quality-ranked patterns with source scan coordinates and acquisition metadata. A set-prediction detector provides model-derived pseudo-labels for the direct-beam position and Bragg-disk centres, with a confidence score for each disk. The simulation data cover 13 crystal structures and include Euler rotations, reciprocal-space sampling and approximate low-index beam directions. A grouped mixed-domain masked-reconstruction benchmark is provided to assess leakage-resistant loading and evaluation across experimental and simulated data. The dataset is intended for representation learning, disk detection, diffraction-pattern retrieval, orientation analysis and simulation-to-experiment studies.
