注意力U-Net光谱去噪网络

高频推低频

利用分子内高低频振动的固有相关性，从高频信号中重建被噪声淹没的低频分子指纹。

73354117 · Hengyu, Xiao · Hao, Gao · Zhang, Baicheng · 胡伟 · Cheng, Chen · Qinyu, Qiao · 张国桢 · Feng, Shuo · Liu, Daobin · 王阳 · 江俊 · 罗毅

Journal of the American Chemical Society 2024

技术优势

不用增强信号

模型直接利用分子内高低频模式的相关性，从噪声中重建低频特征，绕过了传统增强手段对仪器的依赖。

跨条件迁移

在Ag表面训练的模型可直接用于不同表面和外部场条件下的SERS光谱，省去重新训练。

实验光谱也能用

应用于BPE的实验红外和拉曼光谱，得到高质量低频恢复，说明模型可处理实测数据。

应用场景

• 拉曼光谱分析：恢复被噪声掩盖的低频拉曼峰，获得更完整分子指纹信息。
• 红外光谱分析：从高频红外模式推断低频模式，弥补实验获取的困难。
• 光谱数据去噪：用深度学习去除光谱中的噪声，突出微弱低频信号。