基于残差 Beylkin-Coifman-Rokhlin 神经网络的显微镜反问题求解
定量方法
2026-03-24 v2 计算机视觉与模式识别
摘要
光学显微镜 (LM) 中的图像去卷积指的是从图像中恢复样本细节，以揭示样本的真实情况。传统的显微镜方法依赖于图像获取时的点扩散函数 (PSF)，然而这些方法常常因不准确的 PSF 模型和噪声伪影而不足，妨碍整体恢复质量。本文将显微镜去卷积视为一个反问题。灵感来自 Beylkin、Coifman 和 Rokhlin (BCR) 引入的非标准形式压缩方案，我们提出一种创新的基于物理的神经网络多阶段残差-BCR 网络 (m-rBCR)，用于近似显微镜去卷积。我们在四个显微镜数据集上验证了 m-rBCR 模型——来自 ImageNet 和 BioSR 的两个模拟显微镜数据集，真实 dSTORM 显微镜图像，以及真实宽视场显微镜图像。与显式去卷积方法（如 Richardson-Lucy）以及其他最先进的神经网络模型（U-Net、DDPM、CARE、DnCNN、ESRGAN、RCAN、Noise2Noise、MPRNet 和 MIMO-U-Net）相比，m-rBCR 在两个真实显微镜数据集和模拟 BioSR 数据集上在 PSNR 和 SSIM 方面表现优异。在模拟 ImageNet 数据集上，m-rBCR 位列第二（紧随 MIMO-U-Net之后）。该模型基于光学物理的主干结构，利用可训练参数实现更好的性能（从比基准 MIMO-U-Net 少约 30 倍到比 ESRGAN 多约 210 倍）。这使 m-rBCR 能够实现更短的运行时间（从比 MIMO-U-Net 快约 3 倍到比 DDPM 快约 300 倍）。总之，通过利用物理约束，我们的模型显著减少了专业导向的神经网络候选方案中可能的冗余参数，实现了高效且性能卓越的效果。
引用
@article{arxiv.2407.03239,
title = {Solving the inverse problem of microscopy deconvolution with a residual Beylkin-Coifman-Rokhlin neural network},
author = {Rui Li and Mikhail Kudryashev and Artur Yakimovich},
journal= {arXiv preprint arXiv:2407.03239},
year = {2026}
}
备注
17 pages, 8 figures