面向荧光显微镜的轻量级CycleGAN模型及实验质量评估
计算机视觉与模式识别
2025-10-20 v1 人工智能
摘要
轻量级深度学习模型在计算成本和环境影响方面实现了显著降低，对于科学应用至关重要。我们提出一种用于荧光显微镜中模态转换的轻量级CycleGAN（从共聚焦转化为超分辨率STED/去卷积STED），解决了常见的unpaired数据集问题。通过将U-Net基生成器中的传统通道翻倍策略替换为固定通道方法，我们将可训练参数从4180万降至约九千，实现了更佳性能，同时加快训练速度并降低内存占用。我们还引入GAN作为实验和标记质量的诊断工具。当在高质量图像上训练时，GAN学习到最佳成像特征的特征；其生成输出与新实验图像之间的偏差可揭示光漂白、伪影或不准确标记等问题。这一方法为在显微镜工作流程中验证实验精度和图像保真度提供了实用工具。
引用
@article{arxiv.2510.15579,
title = {Lightweight CycleGAN Models for Cross-Modality Image Transformation and Experimental Quality Assessment in Fluorescence Microscopy},
author = {Mohammad Soltaninezhad and Yashar Rouzbahani and Jhonatan Contreras and Rohan Chippalkatti and Daniel Kwaku Abankwa and Christian Eggeling and Thomas Bocklitz},
journal= {arXiv preprint arXiv:2510.15579},
year = {2025}
}
备注
17 pages, 8 Figures