DeepContrast：利用合成数据退化与分布外模型预测实现深层组织对比度增强

显微图像对生命科学研究至关重要，可详细检查和表征细胞及组织水平的结构与功能。然而，显微数据不可避免地受到图像退化影响，如噪声、模糊等。许多此类退化还会导致图像对比度损失，在厚样本深层区域尤为明显。当前提升图像质量的最佳方法基于深度学习，其训练通常需要真值（GT）数据。我们在对样本深层成像时无法抵消模糊与对比度损失，这阻碍了此类干净 GT 数据的获取。深层组织模糊与对比度损失的前向过程可建模，这一事实使我们提出一种新方法，能够规避无法获取 GT 数据的问题。为此，我们首先利用深层组织图像退化的近似前向模型，进一步合成退化显微图像质量。然后训练神经网络，从生成的原始与退化图像对中学习该退化函数的逆。我们证明以此方式训练的网络可分布外（OOD）用于改善退化较轻图像（例如显微镜成像的原始数据）的质量。由于此类显微图像中退化的绝对程度可能强于我们前向模型引入的额外退化，我们还探索了迭代预测的效果。此处我们观察到每次迭代中测得的图像对比度持续改善，而图像中的精细结构被逐渐去除。因此，取决于所需的下游分析，必须在对比度改善与图像细节保留之间取得平衡。