在生命科学领域，实时观测活细胞内纳米尺度的动态过程是理解生命机制的关键，但传统光学显微镜受限于光的衍射，无法清晰分辨小于200纳米的精细结构。虽然各种超分辨显微技术应运而生，但它们往往需要在复杂的专用设备、高光照剂量（可能损伤细胞）与成像速度、通用性之间做出权衡。近期，一项名为“3Snet-CLID”的新型计算超分辨成像技术，成功地将深度学习驱动的信号保护性去噪与经典的理查森-露西去卷积算法相结合，仅需单帧普通的宽场或转盘共聚焦显微图像，就能稳定、高保真地重建出分辨率优于60纳米的清晰图像，为长时程、低损伤的活细胞纳米成像提供了一个强大而便捷的平台。
 

这项重要工作由Fudong Xue, Lin Yuan, Wenting He, Zuo‘ang Xiang, Jun Ren, Chunyan Shan, Shunqin Li, Min Wang, Liangyi Chen & Pingyong Xu共同完成。其研究成果以题为 “High-fidelity single-frame computational super-resolution using signal-preserving denoising-enabled deconvolution”的论文形式，于 2026年在 《自然 通讯》（Nature Communications）期刊在线发表。

重要发现
01核心贡献：去噪与去卷积的协同，突破单帧计算超分辨瓶颈
本论文的核心是提出了3Snet-CLID（Clear Image Deconvolution）成像框架。该框架创新性地采用“先深度去噪，后物理去卷积”的两步策略，旨在解决当前单帧计算超分辨技术面临的两大核心难题：基于深度学习的方法严重依赖训练数据、泛化能力差；而基于理查森-露西去卷积的传统方法则对噪声极度敏感，迭代过程中容易放大噪声并产生伪影。

3Snet-CLID的运作流程清晰而高效。首先，一个专门设计的深度学习去噪网络（3Snet）处理单帧输入的、充满噪声的显微图像，输出一张既显著抑制了噪声、又严格保持了原始图像每个像素信号强度分布的“清晰图像”。随后，将这张清晰图像输入标准的理查森-露西去卷积算法，利用显微镜的点扩散函数模型进行反卷积运算，最终重建出超越衍射极限的超分辨图像。这种方法的关键在于，深度学习网络不直接学习模糊到清晰的复杂映射，而是专注于更稳健的“去噪”任务，为后续基于物理模型的反卷积步骤提供了一个近乎无噪、信号保真的理想输入，从而确保了重建的高保真度和方法的强泛化能力。

3S去噪的精妙之处在于其像素级的独立计算。首先，分别对多帧“亮”态图像和“暗”态图像进行平均，以抑制随机噪声；然后，将平均后的“暗”态图像从平均后的“亮”态图像中减去。这一步至关重要，因为它能同时消除由相机暗电流、固定图案噪声等构成的“固定背景噪声”。最终得到的图像几乎无噪声，且完美保留了每个像素原始的荧光信号强度分布，是用于训练去噪网络的绝佳目标图像。

在固定细胞成像中，3Snet-CLID显著增强了肌动蛋白网络、内质网等结构的对比度和清晰度，能够揭示更连续、更完整的形态学细节。更为突出的是其在活细胞成像中的应用。在免疫T细胞形成免疫突触的动态过程中，3Snet-CLID以前所未有的时空分辨率捕捉了肌动蛋白网络逆流、弧形结构组装与移动的精细动力学，甚至能定量分析肌动蛋白弧的各向异性。在双色活细胞成像中，该方法成功解析了线粒体外膜、内质网管状结构等细胞器的纳米细节，并实时观测到了线粒体外膜侧向融合等以往难以清晰捕捉的动态事件。对核孔复合体这一经典超分辨“标尺”的成像也表明，3Snet-CLID重建出的环状结构与电子显微镜测得的结果高度一致。

创新与亮点
突破核心瓶颈，实现高保真重建：该研究直击计算超分辨的痛点，通过“信号保护性去噪”与“物理模型去卷积”的深度融合，有效抑制了噪声放大和伪影产生，实现了在单帧、低信噪比条件下接近无噪理想情况的反卷积效果，将传统宽场、共聚焦显微镜的空间分辨率提升超过5倍，稳定达到60纳米水平。

提出可推广的深度学习去噪新范式：创新的3S像素级去噪策略为训练深度学习网络提供了物理意义明确、信号保真的高质量数据。由此训练出的3Snet网络成为一个强大的、可迁移的预处理模块，一旦针对特定成像系统训练完成，即可广泛应用于不同荧光标记、不同细胞结构的图像去噪，无需重新训练或复杂调参，极大地提升了方法的实用性和易用性。

为活细胞纳米尺度动态研究开启新窗口：3Snet-CLID最大的价值在于其卓越的时空分辨率与低光毒性特性的结合。它无需改造现有显微镜硬件，仅通过算法处理即可将常规的宽场或转盘共聚焦显微镜转变为强大的活细胞超分辨成像工具。这使得研究者能够在生理相关条件下，长时间、高频率地观测细胞器相互作用、蛋白质集群动力学、细胞骨架重组等关键生物过程的纳米尺度细节，在神经科学、免疫学、细胞发育、疾病机制（如线粒体动力学异常、病毒感染过程）等前沿生物医学研究领域具有巨大的应用潜力。

总结与展望
本研究发展的3Snet-CLID技术，通过巧妙的算法设计，成功弥合了深度学习强大学习能力与经典物理模型可靠性之间的鸿沟，为计算超分辨显微成像领域提供了一种兼顾高分辨率、高保真度、强泛化能力及高时空分辨率的新方案。它显著降低了纳米尺度活细胞成像的门槛，使更多实验室能够利用现有设备探索生命的纳米世界。

DOI:10.1038/s41467-026-70791-8.