单帧AI光学超分辨成像方案跨设备应用于生物显微
2026-07-23 来源:本站 点击次数:99超分辨成像技术突破了光学衍射极限的约束，可揭示纳米尺度的生物分子结构与遥远天体的细节信息，已在生物医学、材料科学与天文学等领域发挥关键作用。但现有超分辨方法普遍依赖精准的系统校准与设备专属的参数先验，更换成像装置需重新采集校准数据并重训练模型，大幅限制了技术的实际部署效率。本研究提出一种面向点状发光源的设备无关深度学习超分辨成像框架，仅依靠数值模拟的广域光学参数数据集完成训练，无需任何校准数据与光学系统先验知识，即可从单帧衍射受限图像中重建高精度超分辨结果，并在多类实验与真实数据集上验证了方法的通用性与优越性。
该研究由Dominik Vašinka、Filip Juráň、Jaromír Běhal、Miroslav Ježek 等人完成，论文题为《From stars to molecules: AI guided device-agnostic super-resolution imaging》，于2026年7月在线发表于《Nature Communications》。
重要发现
01设备无关建模的技术原理
研究提出的设备无关建模范式可适配任意神经网络架构，核心网络采用全卷积结构，能够处理任意尺寸与宽高比的输入图像，且仅需单次前向传播即可完成超分辨重建，计算效率优异。模型训练完全基于数值模拟生成的成对数据：即理想点状发光源分布图像，与对应光学参数下的衍射受限噪声图像。训练数据集覆盖了极宽范围的光学参数，包括发光源功率、背景散粒噪声强度、发光源浓度，以及点扩散函数的宽度、形状与非对称形变，包含高斯型与艾里斑型两类典型点扩散函数，其中半数样本引入了不同轴向的挤压形变以模拟实际光学偏差。训练过程采用增量学习策略，持续生成新的模拟样本更新训练集，使模型习得不同参数组合下的通用重建能力，最终可独立于具体成像参数完成高精度重建，对视野内参数不均、时间维度的参数波动与光学像差均具备较强鲁棒性。
与设备无关的建模方法的示意图及其在点源发光强度图像上的应用
02模拟数据集的定量性能验证研究选取三类主流方法作为对照，分别是经典Richardson-Lucy 反卷积算法、带全变分正则项的 Richardson-Lucy 算法，以及设备专用的深度学习方法 Deep-STORM，所有对照方法均输入完整的成像系统先验参数。测试在发光源功率、点扩散函数宽度、发光源浓度三个核心维度上展开，结果显示，不具备任何设备先验的设备无关模型，在所有测试参数区间内的平均绝对误差均低于三类对照方法，性能优势最高可达两个数量级。在点扩散函数形态渐变测试中，模型仅训练了高斯与艾里斑两种极端形态，却能精准适配中间过渡形态的重建，展现出极强的泛化能力；同时，模型对训练中从未出现的各类光学像差也保持了较高的抗干扰能力，验证了设备无关范式的泛化优势。
03定制显微系统的实验验证
为在真实光学环境中验证方法性能，研究搭建了一套可精准控制点光源位置的定制显微系统。该系统通过数字微镜器件配置发光掩模，经高缩比成像光路生成点状样本，再由低分辨率显微物镜成像至相机，最终获得带有精确位置真值的实验图像对，填补了纯模拟与无真值真实实验之间的验证空白。在不同发光源浓度的测试中，设备无关模型的重建误差远优于两类Richardson-Lucy 算法，同时也超过了针对该实验系统专门训练的 Deep-STORM 模型。对于间距仅 1 像素、约为系统瑞利极限四分之一的密集发光源，设备无关模型仍能实现近乎无偏差的分辨与重建，而具备完整参数先验的对照方法均出现了明显的结构模糊与伪影。
超分辨率方法在部分控制且完全已知真实值的实验数据上的性能
04跨领域真实数据集的应用验证研究进一步构建了具备8 倍上采样能力的残差网络架构模型，在完全不重训练、不做图像预处理的条件下，分别应用于天文与生物显微两类真实数据集。在天文学场景中，针对地面望远镜拍摄的仙女座星系外场双星系统，该系统角间距低于设备瑞利极限，原始图像完全无法分辨两颗恒星，模型成功分离出两个独立点源，角间距重建误差远低于瑞利极限，强度比与空间天文卫星的测量数据高度吻合。在生物显微场景中，针对高浓度微管蛋白单分子定位数据集，模型重建的微管结构半高全宽达到 55 nm，精度优于对照深度学习方法，结构边缘更锐利；针对核孔复合物标记数据集，模型准确还原了八重对称的环形结构，环直径与相邻发光点间距的误差均在纳米级，且背景噪声水平低于对照方法。
用于收集实验数据对的光学装置的示意图
DAMN模型在（I）单分子定位显微镜挑战赛的高浓度微管蛋白数据集以及（II）核孔复合物数据集上的验证结果
创新与亮点
该研究突破了超分辨成像技术长期依赖设备校准的核心瓶颈，解决了深度学习超分辨方法换用不同成像系统时，需重新采集校准数据、重训练模型的高成本与低效率问题，同时克服了传统盲重建算法精度不足、易收敛至局部最优的缺陷。研究提出的设备无关训练范式，依托广覆盖的数值模拟数据与增量学习策略，可兼容任意卷积网络架构，单帧单步完成重建，对点扩散函数形态波动、光学像差与系统参数漂移具备天然鲁棒性。
在生物医疗领域，该技术可直接适配不同参数的荧光显微系统，无需额外校准步骤即可实现纳米级超分辨成像，大幅降低了单分子定位显微技术的使用门槛；针对高密度生物样本如细胞骨架、核孔复合物等仍能保持高精度重建，可为细胞生物学研究、病理组织观测提供更便捷的超分辨工具，推动超分辨成像技术向普通生物实验室普及。
总结与展望
本研究提出的设备无关深度学习超分辨框架，通过全参数维度的数值模拟训练，实现了无需校准、跨设备跨领域的点状源超分辨成像，在模拟测试、定制实验与真实数据集上均全面超越现有主流方法。该训练范式不局限于特定网络架构与成像任务，未来可通过拓展模拟参数维度、升级网络结构进一步提升性能，还可拓展至发光源定位任务与其他成像模态，为通用型超分辨成像技术的落地与跨学科应用奠定了核心基础。
声明：本文仅用作学术目的。
Vašinka, D., Juráň, F., Běhal, J. et al. From stars to molecules: AI guided device-agnostic super-resolution imaging. Nat Commun (2026).
doi: https://doi.org/10.1038/s41467-026-75584-7