稀疏内容下的单次对焦学习方法：稀疏聚焦
计算机视觉与模式识别
2025-02-11 v1 定量方法
摘要
对焦是显微镜成像中实现高通量和实时扫描的必要条件。传统方法依赖复杂的硬件或迭代的爬坡算法。近期的基于学习的方法在单次对焦场景中展现出显著的有效性，无需硬件修改或迭代的机械镜头调整。然而，本文指出，图像内容的丰富性会显著影响对焦性能。当图像内容稀疏时，无论是传统的爬坡方法还是基于学习的方法，都容易失败。为此，我们提出一种基于内容重要性的解决方案，命名为稀疏聚焦（SparseFocus），其特点是 novel 两阶段管道。第一个阶段测量图像中重要区域的重要性，而第二个阶段则计算来自所选重要区域的失焦距离。为验证我们的方法并惠及研究社区，我们收集了一个大规模数据集，包含数百万标记的失焦图像，涵盖稠密、稀疏和极端稀疏情形。实验结果表明，稀疏聚焦超越了现有方法，有效处理所有内容稀疏程度。此外，我们将稀疏聚焦集成到我们的全切片成像（WSI）系统中，该系统在实际应用中表现良好。代码和数据集将在本文发表后公开。
引用
@article{arxiv.2502.06452,
title = {SparseFocus: Learning-based One-shot Autofocus for Microscopy with Sparse Content},
author = {Yongping Zhai and Xiaoxi Fu and Qiang Su and Jia Hu and Yake Zhang and Yunfeng Zhou and Chaofan Zhang and Xiao Li and Wenxin Wang and Dongdong Wu and Shen Yan},
journal= {arXiv preprint arXiv:2502.06452},
year = {2025}
}