论文主体思路

论文主要贡献

  1. 提出了一个零镜头反卷积深度神经网络(ZS-DeconvNet)框架，该框架能够以无监督的方式训练DLSR网络，只使用一个低分辨率和低信噪比的单个平面图像或体图像堆栈，从而实现零镜头实现。
  2. 与最先进的DLSR方法相比，ZS-DeconvNet可以适应各种生物成像环境。
  3. ZS-DeconvNet可以在衍射极限上提高1.5倍以上的分辨率，具有高保真度和可量化性，即使在单个低信噪比输入图像上进行训练，也不需要对图像进行特定参数调优。
  4. 引入了Hessian正则化项，减轻显微镜图像中的重建伪像，调节网络收敛。

网络结构

  1. 采用了由两个顺序连接的U-Nets29组成的双级DNN架构，作为ZS-DeconvNet的简单但有效的骨干(图1a, b和补充图2a)。第一阶段作为去噪器，根据去噪损失生成无噪声图像(方法)，第二阶段根据上述无监督反卷积损失增强图像分辨率。我们的经验发现，双阶段架构和物理模型调节损失函数稳定了训练过程，并赋予了整个网络模型的可解释性。
  2. a）ZSDeconvNet的双阶段架构及其训练阶段示意图。
  3. b） ZS-DeconvNet推理阶段示意图。
  4. c） RL反褶积(第二列)、稀疏反褶积(第三列)和ZS-DeconvNet(第四列)重建的Lyso和MTs代表性SR图像。显示清晰的WF图像供参考。
  5. d） RL反卷积、稀疏反卷积和ZS-DeconvNet在PSNR和分辨率方面的统计比较(n = 100个感兴趣的区域)

附录与补遗

论文中可以引用的部分

计算SR的两类方法

现有的计算SR方法可以分为两类：基于分析模型的方法和基于深度学习的方法。(基于分析模型的方法依赖于传统的数学和统计模型，而基于深度学习的方法则通过数据驱动的方式学习图像恢复的规律，通常在图像超分辨率任务中表现更为优异。)

传统SIM的两个局限性

传统的SIM有两个关键的局限性：首先，进一步提高分辨率需要相当多的原始数据，即非线性SIM至少需要25张原始图像才能获得低于80纳米的分辨率；其次，SIM图像的后期构建通常需要具有高信噪比的原始图像来消除噪声引起的重建伪影，从而影响快速、低光和长期的活细胞成像。

关于文献

题目及期刊

题目：Zero-shot learning enables instant denoising and super-resolution in optical fluorescence microscopy

零射击学习实现了光学荧光显微镜的即时去噪和超分辨率

期刊：Nature Communications

作者信息

作者：Chang Qiao

发表时间

日期：2024年

阅读时间

日期：2024年9月3日

开源代码及其它

Github：https://github.com/TristaZeng/ZS-DeconvNet (作者)