从像素到视角：面向光场显微镜的角感知与物理一致表示学习
计算机视觉与模式识别
2025-10-28 v1
摘要
光场显微镜（LFM）已成为神经科学中大规模体内神经图像学的新兴工具，尤其在单次曝光体积成像、广视野和高时间分辨率方面具有优势。然而，基于学习的3D重建在 XLFM 仍未得到充分发展，这源于两个核心挑战：缺乏标准化数据集以及缺乏能够有效建模其角向-空间结构且保持物理导向的方法。我们通过三个关键贡献来解决这些挑战。首先，我们构建了 XLFM-Zebrafish 基准数据集，为 XLFM 重建提供大规模数据集和评估套件。其次，我们提出了面向光场的掩码视角建模（Masked View Modeling for Light Fields, MVN-LF），通过预测遮挡视角来学习角向先验，提高数据效率。最后，我们提出了光学渲染一致性损失（Optical Rendering Consistency Loss, ORC Loss），一种可微分渲染约束，强制预测体与其基于点扩散函数的前向投影保持一致。在 XLFM-Zebrafish 基准上，我们的方法在最先进基线上提高了 7.7% 的 PSNR。
引用
@article{arxiv.2510.22577,
title = {From Pixels to Views: Learning Angular-Aware and Physics-Consistent Representations for Light Field Microscopy},
author = {Feng He and Guodong Tan and Qiankun Li and Jun Yu and Quan Wen},
journal= {arXiv preprint arXiv:2510.22577},
year = {2025}
}
备注
Accepted by NeurIPS 2025