自动样品制备和电子显微镜使得大规模图像数据采集成为可能，基于此，本文提出了一种 pipeline 系统，通过结合随机森林分类和条件随机场框架，能够完成大规模电子显微镜数据的分割和自动化标注，从而实现了大规模 3D 神经元的重建和可视化。

Mar, 2013

本研究利用物理规范化深度自监督学习结构，加速针对集成电路的 ptycho-laminographic 重建，仅需采集 16 倍少的角度样本和 4.67 倍更快的计算，且重建品质优于完整采集和无学习的密采集重建，从而实现了对纳米结构的三维检查，并为安全和可靠性保障做出了贡献。

Apr, 2023

该研究提出了一种基于多核系统的、可用于实时处理电子显微镜数据的多通道管道，并演示了其在重建神经元连接性的准确性和速度上的优势。

Dec, 2016

我们提出了一种新的校准和重建过程，放弃了显式的点三角化，转而使用基于数据驱动的查找过程。我们的算法和硬件原型针对高速 3D 扫描进行了描述和比较。

Apr, 2024

本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

May, 2019

计算显微镜学，硬件和算法的联合设计，对于制造成本更低、性能更强大、收集新类型信息的成像系统有很大潜力。通过引入伯克利单个细胞计算显微学（BSCCM）数据集，包含超过 12,000,000 张 400,000 个单个白细胞图像，采用 LED 阵列显微镜多种照明模式捕获图像以及标记不同细胞类型的表面蛋白质的荧光测量，希望该数据集能为计算显微学和具有实际生物医学应用的计算机视觉算法的开发与测试提供宝贵资源。

Feb, 2024

本文研究了替代传统复合光学的平面纳米光计算相机系统，该系统采用一组倾斜透镜和学习重建方法，能够在单纳米光子层上从多样化场景中恢复图像，避免了光学像差问题。

Aug, 2023

Argonne National Laboratory 的 Dynamic PicoProbe 正在进行升级，以每天产生高达 100 GB 的数据。为了解决这个问题，我们提供了一个软件架构，可支持与 Argonne Leadership Computing Facility 相邻的超级计算机进行大规模数据传输，以支持未来的科学工作流。我们实施了两个示例用例，针对高光谱和时空数据集，包括离线数据传输、机器学习 / 人工智能和传统数据分析方法，以及实验结果的自动元数据提取和目录化。这个基础设施支持预期的工作负载，并为领域科学家提供能力，重新查询过去实验的数据，从而产生额外的科学价值和新的见解。

Aug, 2023

提出了数据处理流程，包括数据减少的方法，以及应用于可视化预览的多分辨率切片地图、服务器端渲染和直方图滤波等算法，通过评估找到了在保持关键几何信息的前提下将数据减小到兆字节范围的最佳方法。

Nov, 2023

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