U-Net:生物医学图像分割的卷积网络
在全卷积神经网络(FCN)的基础上提出了U-Net网络。
基于深度学习的超分辨率无标签暗场显微镜
U_Net框架，基于合成孔径思想仿真生成数据对，并对聚苯乙烯珠，HeLa细胞进行重建。
基于条件对抗网络的图像到图像转换(Pix2Pix)
设计了一个基于对抗生成网络的通用框架(Pix2Pix)解决了很多不同类型的图像转换问题。
光学显微镜图像超分辨深度神经网络的评价与发展
开源数据集BioSR,设计的DFCAN,DFGAN架构中使用了傅里叶通道注意力机制。
可见光远场超透镜的二维成像
通过旋转超材料FSL重建二维亚衍射限制图像，其本质上可以在广泛的可见波长范围内工作。
图像超分辨率残差密集网络(RDN)
提出了RDN网络，充分利用了LR图像的多层次特征。
利用极深残差通道注意网络的图像超分辨率(RCAN)
深度残差通道注意网络(RCAN)来实现SR，提出了残差的嵌套与通道注意机制。
通过注意力通道生成对抗网络的三维结构照明显微镜
残差网络与通道注意力结合的生成对抗网络用于3维结构照明显微镜中有良好的重建质量，能减少原始图像输入的数量。
基于深度学习的超透镜亚衍射极限图案的超分辨率成像
利用FDTD生成近场数据和远场衍射图，再利用对抗生成网络重建近场强度，用ZNCC指标评价重建的质量。
基于深度学习的光学像差估计实现离线数字自适应光学和超分辨率成像
第一个网络可以从图像中获得带像差的pdf并通过反卷积消除像差，第二个网络能实现即时数字AO和光学像差感知超分辨率重建
