神經網絡還原顯微圖像

Skoltech博士 學生Valeriya Pronina在ECCV 2020計算機視覺會議上介紹了她在顯微圖像恢復方面的工作。出于這項研究的想法，Valeriya獲得了法國政府的Ostrogradski獎學金，并被邀請在里昂國家研究所的實驗室進行聯合研究法國應用科學學院(INSA Lyon)。

Valeriya Pronina的研究在Skoltech大數據集科學與工程計算技術中心(CDISE)的Dmitry Dylov助理教授的指導下，展示了如何將深層的Wiener-Kolmogorov濾光片用于重建顯微圖像。事實是，通過生物物體顯微鏡獲得的圖像質量通常會受到噪音的困擾，并且圖像經常模糊。這會干擾對圖像中顯示的信息的充分感知，并可能導致例如錯誤的診斷。深度學習算法的使用提供了更清晰，更無噪聲的圖像。

德米特里·迪洛夫(Dmitry Dylov)表示：“在許多現代深度學習文章中，作者都??嘗試使用一些簡單明了的方法來改善圖像。也就是說，該模型使用了一些數據并試圖直接近似所需的結果。在我們的工作中，我們受到了啟發變分和優化問題，其中的噪聲過濾和圖像恢復設備已經得到了很好的研究;了解經典過濾器的工作原理，我們使用深度神經網絡來清洗圖像本身而不是清洗圖像，而是學習過濾參數。能夠勝過其他研究人員的當前模型。”

Valeria Pronina說：“由FrançoisePeyrin博士領導的CREATIS實驗室研究團隊從事斷層圖像和放射療法的研究，以及醫學成像方面的逆問題。他們對針對特定信號的降噪算法的開發產生了興趣。我非常高興能在CREATIS實驗室，特別是在FrançoisePeyrin小組中進行了為期三個月的聯合研究，并將開發的方法應用于最現代的顯微鏡，我感到非常高興。”

這些算法結合了經典優化和深度學習方法。這些方法可輕松調整，并在計算效率和圖像恢復精度之間進行權衡。將來，我們計劃將提議的方法集成到處理暴露于模糊和噪聲的圖像的通用方案中，并通過實驗室研究的特定顯微鏡獲得。