无清洁参考的图像超分辨率：在电子显微学中的应用

无法在大脑组织体积上获取清洁的高分辨率（HR）电子显微镜（EM）图像阻碍了许多神经科学研究。为应对这一挑战，我们提出了一种基于深度学习的图像超分辨率（SR）方法，以从含噪的低分辨率（LR）采集中计算重建具有大视场（FoV）的清洁HR 3D-EM。我们的贡献包括：I) 研究使用无清洁参考进行$\ell_2$和$\ell_1$损失函数的训练；II) 引入一种名为EMSR的新型网络架构，用于增强LR EM图像的分辨率，同时减少固有噪声；以及III) 比较不同的训练策略，包括使用采集的LR和HR图像对（即受真实损坏污染的无清洁参考真实对）、合成LR与采集HR的对，以及采集LR与去噪HR的对。在九个脑数据集上的实验表明，使用真实对进行训练可以产生高质量的超分辨率结果，证明了对于两种损失函数，使用非清洁参考进行训练的可行性。此外，在训练中使用去噪参考和含噪参考时，在视觉上和数值上都观察到了可比的结果。而且，利用从HR对应图像合成的LR图像训练的网络在产生令人满意的SR结果方面证明是有效的，甚至在某些情况下优于使用真实对进行训练。所提出的SR网络在定量和定性上与几种已建立的SR技术进行了比较，展示了该方法在恢复精细细节的同时减轻噪声方面的优越性或竞争力。