用于增强显微成像的全局体素 Transformer 网络

深度学习的进展在增强显微成像中取得了显著成功，使我们能够在不使用昂贵显微镜硬件和样品制备技术的情况下获得高质量显微镜图像。然而，当前用于增强显微成像的深度学习模型大多是基于 U-Net 的神经网络，因此具有某些限制性能的固有缺陷。在这项工作中，我们引入全局体素 Transformer 网络(global voxel transformer networks, GVTNets)，一种用于增强显微成像的先进深度学习工具，其克服了当前基于 U-Net 模型的固有局限并实现了改进的性能。GVTNets 构建于全局体素 Transformer 算子(global voxel transformer operators, GVTOs)之上，其能够聚合全局信息，而非像卷积那样的局部算子。我们在现有数据集上将所提方法应用于三种不同增强显微任务及各种设置下。性能显著且一致地优于先前基于 U-Net 的方法。