近年来,人们对使用深层神经网络(DNN)进行超分辨率图像重建引起了极大的兴趣,包括结构化照明显微镜(SIM)。尽管这些方法显示出非常有希望的结果,但它们都依赖于数据驱动的,有监督的培训策略,这些培训策略需要大量的地面真相图像,这在实验上很难实现。对于SIM成像,存在一种需要灵活,一般和开源的重建方法,可以很容易地适应不同形式的结构化照明。我们证明,我们可以将深层神经网络与结构化照明过程的正向模型相结合,以在没有训练数据的情况下重建子分量图像。可以在一组衍射有限的子图像上优化所得的物理信息神经网络(PINN),因此不需要任何训练集。我们通过模拟和实验数据显示,可以通过简单地更改损失函数中使用的已知照明模式,并可以实现与理论期望非常匹配的分辨率改进,将此Pinn应用于多种SIM方法。
translated by 谷歌翻译