編輯 | 蘿蔔皮
計算超解析度方法,包括傳統的分析演算法和深度學習模型,大大改進了光學顯微鏡。其中,有監督深度神經網路表現出了出色的性能,但由於活細胞的高動態性,需要大量的高品質訓練數據,而獲取這些數據非常費力且不切實際。
在最新的研究中,清華大學和中國科學院的研究人員開發了零樣本反捲積網路(Zero-shot deconvolution networks,ZS-DeconvNet),可立即將顯微鏡影像的分辨率提高超過衍射極限1.5倍以上,同時螢光比一般超解析度成像條件低10倍,以無監督的方式進行,無需地面實驗或額外的資料收集。
研究人員也展示了ZS-DeconvNet 在多種成像模式上的多功能適用性,包括全內反射式螢光顯微鏡、三維寬視野顯微鏡、共焦顯微鏡、雙光子顯微鏡、晶格光片顯微鏡和多模態結構照明顯微鏡;它能夠夠對從有絲分裂單細胞到小鼠和秀麗隱桿線蟲的多細胞胚胎生物進行多色、長期、超解析度2D/3D 成像。
研究以「Zero-shot learning enables instant denoising and super-resolution in optical fluorescence microscopy」為題,於2024 年5 月16 日發佈在《Nature Communications 》。
光學螢光顯微鏡對於生物研究至關重要,超解析度技術的進步提高了成像細節,但伴隨空間解析度提升的是其它成像參數的折衷。計算超解析度方法憑藉其能在線上提升影像品質、增強現有設備的能力且擴展應用範圍,成為研究熱點。
這些方法分為基於分析模型的去卷積等技術和基於深度學習的超解析度(SR)網路兩大類。前者受限於參數調優及對複雜成像環境適應性差的問題,後者能透過大數據學習複雜影像轉換,卻面臨獲取難度高、高度依賴訓練資料品質的挑戰。這限制了深度學習超解析度技術在生物研究日常應用的普及及。
在這裡,清華大學和中國科學院的研究團隊提出了一個零樣本反捲積深度神經網絡框架ZS-DeconvNet,它能夠無監督地訓練DLSR網絡,僅使用一張低分辨率和低信噪比的平面影像或體積影像堆疊,從而實現零樣本實現。
因此,與最先進的DLSR 方法相比,ZS-DeconvNet 可以適應不同的生物成像環境,其中生物過程過於動態、對光過於敏感而無法獲取真實的SR 圖像,或影像擷取過程受到未知和非理想因素的影響。
研究人員表示,即使在單一低信噪比輸入影像上進行訓練,ZS-DeconvNet 也可以將解析度提高超過衍射極限1.5 倍以上,並具有高保真度和可量化性,並且無需進行特定於影像的參數調整。
ZS-DeconvNet 適用於多種成像模式,從掃描顯微鏡到寬場偵測顯微鏡,並在多種樣本和顯微鏡設定中展示了其能力。
圖示:將 ZS-DeconvNet 推廣到多種成像模式。 (資料來源:論文)
研究人員證明了經過適當訓練的ZS-DeconvNet 可以在毫秒時間尺度上推斷出高解析度影像,實現對多個細胞器相互作用、遷移和有絲分裂的光敏感過程中的細胞骨架和細胞器動力學,以及發育中的線蟲和小鼠胚胎的亞細胞結構和動力學的高通量長期SR 2D/3D 成像。
圖示:多模態 SIM 資料中的零樣本去雜訊和解析度增強。 (資料來源:論文)
此外,為了讓生物學研究社群能夠廣泛使用ZS-DeconvNet,團隊建立了一個Fiji 外掛工具箱和一個ZS-DeconvNet 方法的教學主頁,使用者無須深度學習知識也能輕鬆使用。
儘管具有廣泛適用性和穩健性,ZS-DeconvNet 用戶需注意潛在的幻想生成及其局限,如低螢光信號誤識別、應用於不同成像模式的圖像時性能下降、PSF 匹配不當導致的問題,以及無監督學習下的分辨率提升不如監督學習明顯。
未來,透過結合更先進的網路架構、拓展至其他光學超分辨技術、採用領域適應或泛化技術,以及處理空間變化的PSF,ZS-DeconvNet的功能和應用範圍將進一步擴大。
論文連結:https://www.nature.com/articles/s41467-024-48575-9
#以上是超衍射極限1.5倍,成像條件低10倍,清華、中國科學院用AI方法提高顯微鏡分辨率的詳細內容。更多資訊請關注PHP中文網其他相關文章!

人工智能Artificial Intelligence(AI)、机器学习Machine Learning(ML)和深度学习Deep Learning(DL)通常可以互换使用。但是,它们并不完全相同。人工智能是最广泛的概念,它赋予机器模仿人类行为的能力。机器学习是将人工智能应用到系统或机器中,帮助其自我学习和不断改进。最后,深度学习使用复杂的算法和深度神经网络来重复训练特定的模型或模式。让我们看看每个术语的演变和历程,以更好地理解人工智能、机器学习和深度学习实际指的是什么。人工智能自过去 70 多

众所周知,在处理深度学习和神经网络任务时,最好使用GPU而不是CPU来处理,因为在神经网络方面,即使是一个比较低端的GPU,性能也会胜过CPU。深度学习是一个对计算有着大量需求的领域,从一定程度上来说,GPU的选择将从根本上决定深度学习的体验。但问题来了,如何选购合适的GPU也是件头疼烧脑的事。怎么避免踩雷,如何做出性价比高的选择?曾经拿到过斯坦福、UCL、CMU、NYU、UW 博士 offer、目前在华盛顿大学读博的知名评测博主Tim Dettmers就针对深度学习领域需要怎样的GPU,结合自

一. 背景介绍在字节跳动,基于深度学习的应用遍地开花,工程师关注模型效果的同时也需要关注线上服务一致性和性能,早期这通常需要算法专家和工程专家分工合作并紧密配合来完成,这种模式存在比较高的 diff 排查验证等成本。随着 PyTorch/TensorFlow 框架的流行,深度学习模型训练和在线推理完成了统一,开发者仅需要关注具体算法逻辑,调用框架的 Python API 完成训练验证过程即可,之后模型可以很方便的序列化导出,并由统一的高性能 C++ 引擎完成推理工作。提升了开发者训练到部署的体验

深度学习 (DL) 已成为计算机科学中最具影响力的领域之一,直接影响着当今人类生活和社会。与历史上所有其他技术创新一样,深度学习也被用于一些违法的行为。Deepfakes 就是这样一种深度学习应用,在过去的几年里已经进行了数百项研究,发明和优化各种使用 AI 的 Deepfake 检测,本文主要就是讨论如何对 Deepfake 进行检测。为了应对Deepfake,已经开发出了深度学习方法以及机器学习(非深度学习)方法来检测 。深度学习模型需要考虑大量参数,因此需要大量数据来训练此类模型。这正是

导读深度学习已在面向自然语言处理等领域的实际业务场景中广泛落地,对它的推理性能优化成为了部署环节中重要的一环。推理性能的提升:一方面,可以充分发挥部署硬件的能力,降低用户响应时间,同时节省成本;另一方面,可以在保持响应时间不变的前提下,使用结构更为复杂的深度学习模型,进而提升业务精度指标。本文针对地址标准化服务中的深度学习模型开展了推理性能优化工作。通过高性能算子、量化、编译优化等优化手段,在精度指标不降低的前提下,AI模型的模型端到端推理速度最高可获得了4.11倍的提升。1. 模型推理性能优化

Part 01 概述 在实时音视频通信场景,麦克风采集用户语音的同时会采集大量环境噪声,传统降噪算法仅对平稳噪声(如电扇风声、白噪声、电路底噪等)有一定效果,对非平稳的瞬态噪声(如餐厅嘈杂噪声、地铁环境噪声、家庭厨房噪声等)降噪效果较差,严重影响用户的通话体验。针对泛家庭、办公等复杂场景中的上百种非平稳噪声问题,融合通信系统部生态赋能团队自主研发基于GRU模型的AI音频降噪技术,并通过算法和工程优化,将降噪模型尺寸从2.4MB压缩至82KB,运行内存降低约65%;计算复杂度从约186Mflop

今天的主角,是一对AI界相爱相杀的老冤家:Yann LeCun和Gary Marcus在正式讲述这一次的「新仇」之前,我们先来回顾一下,两位大神的「旧恨」。LeCun与Marcus之争Facebook首席人工智能科学家和纽约大学教授,2018年图灵奖(Turing Award)得主杨立昆(Yann LeCun)在NOEMA杂志发表文章,回应此前Gary Marcus对AI与深度学习的评论。此前,Marcus在杂志Nautilus中发文,称深度学习已经「无法前进」Marcus此人,属于是看热闹的不

过去十年是深度学习的“黄金十年”,它彻底改变了人类的工作和娱乐方式,并且广泛应用到医疗、教育、产品设计等各行各业,而这一切离不开计算硬件的进步,特别是GPU的革新。 深度学习技术的成功实现取决于三大要素:第一是算法。20世纪80年代甚至更早就提出了大多数深度学习算法如深度神经网络、卷积神经网络、反向传播算法和随机梯度下降等。 第二是数据集。训练神经网络的数据集必须足够大,才能使神经网络的性能优于其他技术。直至21世纪初,诸如Pascal和ImageNet等大数据集才得以现世。 第三是硬件。只有


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

Safe Exam Browser
Safe Exam Browser是一個安全的瀏覽器環境,安全地進行線上考試。該軟體將任何電腦變成一個安全的工作站。它控制對任何實用工具的訪問,並防止學生使用未經授權的資源。

SublimeText3 Linux新版
SublimeText3 Linux最新版

SublimeText3漢化版
中文版,非常好用

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)