采用超分辨率深度神经网络和几何点变换的射频超声成像技术在定位过程中发现有巨大潜力，可以有效地提高精度和复杂性，弥合了合成和真实数据集之间的领域差距。

Oct, 2023

用稀疏张量神经网络可以减少超声局部显微镜在三维成像中的存储需求，并在高浓度情况下明显优于传统的 ULM 方法。

Feb, 2024

提出了一种超快、精确的、无参数方法 Deep-STORM，用于从随机闪烁的发射器（如用于定位显微镜的荧光分子）中获取超分辨率图像。该方法使用了深度卷积神经网络，可以在模拟数据或实验测量上进行训练，可以在挑战性的信噪比条件和高发射器密度下实现最先进的分辨率，并且比现有方法快得多。此外，它不需要关于基础结构形状的先验信息，使得该方法适用于任何闪烁数据集。通过对模拟和实验数据的超分辨率图像重建，验证了我们的方法。

Jan, 2018

通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。

Oct, 2023

本研究介绍了一种基于结构的训练方法，用于单分子定位显微镜（SMLM）和三维物体重建的基于卷积神经网络（CNN）的算法。通过与传统的基于随机的训练方法相比较，利用 LUENN 软件包作为我们的人工智能管道，定量评估表明结构化训练方法在检测率和定位精度上有显著的提升，特别是在信噪比（SNR）变化的情况下。此外，该方法有效地消除了棋盘格伪影，确保更准确的三维重建。我们的研究结果突显了结构化训练方法在推进超分辨显微镜技术并深入理解纳米尺度下复杂生物系统方面的潜力。

Sep, 2023

利用荧光分子创建低密度、衍射限制图像的长序列，可以实现高精度的分子定位；然而，该方法需要较长的成像时间，限制了对活细胞动态相互作用的观察；我们提出了一种深度展开的自监督学习方法，通过训练一个仅从给定测量值学习的基于模型的自编码器来消除对大量训练数据的需求，该方法在性能上超过了其有监督对应物，从而实现了动态成像在衍射极限以下，而无需任何标记的训练样本；此外，建议的基于模型的自编码器框架可以用于改善任何稀疏恢复框架中的泛化能力，而无需外部训练数据。

Mar, 2024

我们研究了一种机器学习技术，用于通过液体透射电子显微镜（LC-TEM）在原位观察期间对所获得的图像进行细化。我们的模型采用了 U-Net 架构和 ResNet 编码器。通过准备一个原始图像数据集进行训练，其中包含了使用和不使用溶液的样品的图像对。训练后的模型可以将噪声图像转换为清晰的图像，转换时间约为 10 毫秒，并且我们将该模型应用于使用 Gatan DigitalMicrograph（DM）软件进行原位观察时。即使由于低电子剂量原因，DM 软件的视图窗口中看不到纳米颗粒，但在我们的机器学习模型生成的连续细化图像中是可见的。

Oct, 2023

通过将未经处理的射频数据输入到超分辨率网络中，本文提出了绕过 DAS 波束成形及其限制的方法，以提高超声定位显微镜（ULM）的分辨率性能。通过对公开数据集的评估，我们的结果表明，排除 DAS 波束成形具有优化 ULM 分辨率性能的巨大潜力。

Nov, 2023

使用深度学习去噪技术，提高高数值孔径极紫外光刻工艺中扫描电子显微镜图像的信噪比，从而实现薄光刻胶粗糙度的准确测量。

Oct, 2023

一种基于稀疏性的背景去除方法通过使用来自不同显微镜领域的神经网络（SLNet）计算图像的低秩表示，并从原始图像中减去它，从而计算出不带背景的稀疏成分，该方法在比较常用的背景去除方法上实现了更少背景的 STORM 帧，提高了荧光发射体的定位精度和高分辨率图像的重构。

Jan, 2024