SLADS-Net：基于深度神经网络的动态采样监督学习方法

在基于扫描显微镜的成像技术中，需要开发能够减少数据采集时间并最小化样品受探测辐射暴露的新型数据采集方案。稀疏采样方案非常适用于此类应用，其中图像可由稀疏测量集重建。特别地，基于监督学习的动态稀疏采样在实际应用中已展现出良好前景。然而，此类方法的一个缺陷是它需要具有相似信息内容的训练图像集，而这未必总可获得。本文中，我们引入一种基于深度神经网络训练方法的动态采样监督学习(SLADS)算法，称之为 SLADS-Net。我们针对 SLADS-Net 进行了动态采样的模拟实验，其中训练图像与测试图像相比具有相似信息内容或完全不同信息内容。我们将基于最小二乘、支持向量回归和深度神经网络等多种训练方法的性能进行比较。由结果可见，当训练与测试图像不相似时，基于深度神经网络的训练表现更优。我们还讨论了使用通用图像训练的预训练 SLADS-Net 的开发。此处神经网络参数被预训练，以便用户可直接将 SLADS-Net 应用于成像实验。