从星体到分子：面向无设备super分辨率成像的AI方法

超分辨率成像已彻底改变了从分子结构到遥远星系的研究。然而，现有超分辨方法需要针对每个成像 setup 进行大量校准和重新训练，限制了其实际部署。我们引入一种无设备无校准的深度学习框架，用于点状发射器的超分辨率成像，无需校准数据或明确的光学系统参数。我们的无设备建模利用多样化、数值模拟的数据集，涵盖广泛的成像条件，实现跨不同光学 setup 的泛化。一旦训练完成，该模型即可从单个分辨率受限的相机帧中直接重建超分辨图像，相较于现有方法在精度和计算效率方面均表现出色。我们使用可控真实发射器位置的定制显微镜 setup 进行了实验验证。我们还在天文学和单分子定位显微镜数据集上展示了其多功能性，在无需先验信息的情况下实现了空前的分辨率。我们的发现为通用、无校准的超分辨率成像铺平了道路，拓展了其在多个科学领域的应用前景。