Based on the noise model of microscopic images and the zero-sample learning theory, researchers led by Prof. Li Dong from the Institute of Biophysics of the Chinese Academy of Sciences, in collaboration with Prof. Dai Qionghai's team from Tsinghua Univer
基于显微图像的噪声模型和零样本学习理论，中国科学院生物物理研究所李栋教授带领的研究人员与清华大学戴琼海教授团队合作，提出了零样本反卷积网络（ZS-DeconvNet），并开发了相应的一次点击显微图像处理软件
这项研究发表在《自然通讯》上
ZS DecovNet只能使用低分辨率/噪声比的单个图像以无监督的方式进行训练，在比传统超分辨率成像条件低10倍的荧光强度下，稳定地将微观图像的分辨率提高到衍射极限的1.5倍以上
研究人员基于光子噪声模型、光学显微镜成像模型和图像的空间连续性，设计了一个受物理学启发的自监督损失函数。该函数可以同时学习去噪和超分辨率能力，而不需要额外的训练集。并从理论上证明了所提出的损失函数的收敛性
ZS DecovNet可以处理各种成像模式，包括全内反射显微镜、三维宽场显微镜、晶格光片显微镜和共焦显微镜
特别是，基于结构照明显微镜（SIM）图像重建中零噪声期望特性的理论发现，研究人员将所提出的ZS DecovNet解决方案扩展到SIM图像，实现了SIM图像的噪声鲁棒深度学习超分辨率模型的首次无监督训练
ZS DecovNet可以适应不同的生物成像环境，即使生物过程过于动态和光敏，无法获得高质量的微观图像
与传统的基于迭代优化的反褶积方法相比，ZS DecovNet在所有信噪比条件下的定性和定量评估方面都有显著改进，数据吞吐量提高了100多倍
研究人员合作开发了一个用于显微镜图像处理的一键通用斐济插件，该插件具有集成的训练和预测功能，以及相应的教程主页，使生命科学研究人员，甚至是那些不专门研究人工智能的人都能轻松使用。
最后，研究人员进行了广泛的体内生物实验，以证明ZS DecovNet的通用性。他们发现ZS DecovNet可以在生物实验的各种成像模式中表现出优异的性能，从而为生命科学研究做出贡献