不确定性引导的选择性适应：实现跨平台荧光显微镜预测
计算机视觉与模式识别
2025-11-18 v1 人工智能
机器学习
摘要
深度学习正在改变显微镜领域，但模型在应用于新仪器或新获取设置时常常失败。传统的对抗性域适应（ADDA）会重新训练整个网络，常常破坏已学习的语义表示。我们通过表明仅适应最初的卷积层而冻结更深层可靠地实现迁移。基于这一原则，我们引入子网络图像翻译自适应（Subnetwork Image Translation ADDA, SIT-ADDA-Auto），这是一个自配置框架，集成了浅层对抗性对齐与预测不确定性，以自动选择适应深度而无需目标标签。我们通过多指标评估、盲测专家评估和不确定性-深度消融实验展示了其鲁棒性。对于曝光和照明变化、跨仪器迁移以及多种染色，SIT-ADDA在重建和下游分割方面优于全编码器适应和非对抗基线，同时减少了语义特征的漂移。我们的结果为无标签适应在显微镜中的设计原则提供了指导，并为现场应用提供了配方；代码已公开。
引用
@article{arxiv.2511.12006,
title = {Uncertainty-Guided Selective Adaptation Enables Cross-Platform Predictive Fluorescence Microscopy},
author = {Kai-Wen K. Yang and Andrew Bai and Alexandra Bermudez and Yunqi Hong and Zoe Latham and Iris Sloan and Michael Liu and Vishrut Goyal and Cho-Jui Hsieh and Neil Y. C. Lin},
journal= {arXiv preprint arXiv:2511.12006},
year = {2025}
}