人工智能尤其是深度学习技术的进步为突破传统显微镜的瓶颈提供了新的思路。通过构建神经网络模型AI 可以从低分辨率、噪声较多的显微图像中推断出更高清、更细腻的图像甚至可以在没有染色的情况下生成接近真实的荧光图像。这正是 AI 帮助显微镜“增强视力”的方式之一。GVTNET模型2021 年美国德州农工大学的研究人员在《自然·机器智能》杂志发表了一篇论文提出了一种名为 GVTNet的神经网络模型可将低质量的 3D 显微图像增强为高清晰度图像。GVTNet 的核心结构是一种U-Net 网络这是一种常用于图像处理的深度学习架构。U-Net 的关键在于编码器提取特征后可以利用中间层的“跳跃连接”将特征直接传给解码器从而保留图像的局部信息提升还原质量。图:是GVTNet 模型结构图其中编码器用于提取图像特征解码器用于重建图像U 型结构可以强化细节还原此外GVTNet 还引入了注意力机制Attention使得模型在还原图像时不仅能关注“局部像素”也能兼顾整幅图像的全局结构。这种全局感知能力大大提高了图像还原的质量。图:GVTNet 中注意力机制与传统 CNN 感知范围对比