该研究提出了一种新的方法，通过多模态深度学习框架从文本和视觉数据中提取洞察力，以模拟和评估人类对扫描电子显微镜 (SEM) 图像（特别是玻璃材料）的交互。我们的模型（GlassLLaVA）在解释、特征识别和检测以前未见的 SEM 图像中的缺陷方面表现出色，为科学成像应用引入了多用途的评估指标，进一步缩小人与机器解释在科学成像中的差距，为未来研究和广泛应用提供了广阔的可能性。

Sep, 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

本研究表明，多功能深度神经网络可用于在互动式元表面系统中重建目标信息，并且能够通过依赖电场分布，感知目标的数量和介电常数，并生成具有高精度的高超分辨图像。

May, 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

通过深度学习的图像超分辨率方法，我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建，以获得清晰的高分辨率三维电子显微图像，为神经科学研究提供了新的可能性。

Jan, 2024

光学超振荡技术可实现超越衍射极限的远场超分辨成像，但现有空间超分辨成像系统中的超振荡透镜仍存在性能限制。我们提出了一种光学超振荡衍射神经网络，即 SODNN，它在现有方法的基础上具有卓越的性能，能够实现超越衍射极限的超分辨空间分辨率。通过利用衍射层来实现光学互联，并利用成像样本或生物传感器实现非线性，SODNN 调制入射光场，在三维空间中产生光学超振荡效应并生成超分辨焦点。通过在入射波长为 λ 的条件下优化衍射层、在远场距离 400λ 内产生了一个半高全宽为 0.407λ 的超振荡斑点，并且场景范围内无副瓣且具有超过 10λ 的长景深。此外，SODNN 实现了多波长和多焦点斑点阵列，有效避免了色差。我们的研究将激发智能光学仪器的发展，以促进成像、传感、感知等应用。

Jun, 2024

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

本研究提出了一个基于对抗深度神经网络的无监督超分辨率（SR）框架，旨在提高内窥镜图像的质量以进行诊断和介入指导。该框架可以利用高分辨率（HR）图像将其质量传递到起始低分辨率（LR）图像中，从而能够在没有配对 LR / HR 的情况下产生令人信服的超分辨率图像。

Jan, 2019

通过联合训练光学编码器和电子解码器，优化 PSF 参数的镜头表面，并将其作为硬件附加件添加到传统相机中，我们证明这种深度光学成像的单拍 HDR 成像方法优于纯 CNN 方法和其他 PSF 工程方法。

Aug, 2019

本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。

Feb, 2021