Self-STORM：用于超分辨率显微镜的深度展开自监督学习
图像与视频处理
2024-03-26 v1 计算机视觉与模式识别
机器学习
摘要
使用荧光分子创建长序列的低密度、衍射受限图像，能够实现高精度的分子定位。然而，这种方法需要较长的成像时间，限制了在短时间尺度上观察活细胞动态相互作用的能力。从经典的迭代优化到深度神经网络，已开发出许多技术来减少定位所需的帧数。特别是，深度算法展开利用了迭代稀疏恢复算法的结构和有监督深度学习的性能增益。然而，这种方法的鲁棒性高度依赖于拥有足够的训练数据。在本文中，我们引入了深度展开自监督学习，它通过训练一个序列特定的、基于模型的自动编码器，仅从给定的测量数据中学习，从而缓解了对这类数据的需求。我们提出的方法超越了其有监督对应方法的性能，从而允许在没有任何标记训练样本的情况下，在远低于衍射极限的条件下进行鲁棒的动态成像。此外，所提出的基于模型的自动编码器方案可用于增强任何稀疏恢复框架中的泛化能力，而无需外部训练数据。
引用
@article{arxiv.2403.16974,
title = {Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy},
author = {Yair Ben Sahel and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2403.16974},
year = {2024}
}