本研究聚焦于深度学习与傅里叶叠层显微成像技术的融合创新，通过算法优化显著提升了图像分辨率和清晰度，为生物医学领域的微观结构分析提供了强大的工具。
傅里叶叠层显微成像（FPM）是一种能够重建宽视场和高分辨率图像的新型技术。然而，传统的FPM重建算法存在计算成本高的问题，并且需要大量的图像数据来生成高质量的图像，这限制了其性能和效率。为了克服这些缺点，我们提出了一种基于深度学习的方法来改进傅里叶叠层显微成像的技术。
该方法利用一种神经网络模型实现从低分辨率到高分辨率的端对端映射，从而提高图像质量和处理速度。具体来说，在数据采集阶段采用了菱形采样技术以加速低分辨图片获取过程；在模型设计上结合了残差结构、密集连接和通道注意力机制等多种先进模块来增加网络深度并挖掘有用特征，进而提升其表达能力和泛化能力；此外还使用子像素卷积进行高效地上采样操作以便恢复高清图像。
通过主观与客观评价方法对重建结果进行了评估。实验结果显示，相比传统算法而言，该模型在重构效果上具有显著优势，并且计算复杂度更低、平均重建时间更短。更为重要的是，在保持相同图像质量的前提下，低分辨率图片的采集数量减少了大约一半。
5星
