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

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

采用插入式噪声去噪方法，代替现有的图像正则化器，并结合二阶统计量来训练卷积图像去噪网络，从而更适应于样本几何结构，在真实荧光显微图像数据上验证出能够正确地重建纤维结构，具有高峰值信噪比。

Mar, 2023

本研究介绍了弱监督学习方法在超分辨显微镜技术中的应用，探讨了其加速探索亚细胞大分子和细胞器分子结构的潜力。

May, 2023

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

本文中，我们提出了一种基于 CNN 的 Sparse Mask SR (SMSR) 网络，以学习稀疏掩模，以便在保持可比较性能的同时，准确地定位和跳过冗余计算，从而提高 SR 网络的推理效率。

Jun, 2020

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

提出了一种名为 LodeSTAR 的新型深度学习方法，可以在单个未标记的实验图像中学习以亚像素级精度跟踪对象。 该算法利用了数据的旋转平移对称性，并扩展了可测量的粒子属性，可以加速高质量的微观分析流水线的发展。

Feb, 2022

本文提出了一种基于超像素运动检测的鲁棒背景初始化方法，旨在通过利用空间和时间特征来消除前景对象并生成可靠的背景候选项以实现图像分割。实验表明，该方法在速度方面具有优势，并可在复杂的动态场景下生成最佳结果，从而证明了它对各种挑战的鲁棒性。

May, 2018

这篇研究论文介绍了一种新型的深度卷积神经网络 LUENN，可以有效提高单分子定位显微镜技术的亚细胞结构可视化的时间分辨率，通过准确的位置不确定性估计器，成功应用于密度高达 31 个 / 平方微米的多个发射器的图像定位。

May, 2023