用于光场显微镜的视图到视图去噪三维重建
光场显微镜（LFM）因其能够捕获基于快照的大规模3D荧光图像而备受关注。然而，现有的LFM重建算法对传感器噪声高度敏感，或者需要难以获取的带真实标注的数据进行训练。为应对这些挑战，本文引入V2V3D，这是一种无监督的基于视图到视图的框架，它在统一架构中为图像去
去噪
NoProp：无需反向传播，基于去噪原理非全局梯度传播神经网络训练
反向传播算法自四十年前问世以来一直作为深度学习的基石，然而仍然面临两项关键技术挑战：首先由于必须存储中间激活值用于梯度计算，导致内存消耗显著；其次其本质上的顺序计算特性严重限制了模型在分布式多GPU环境下的并行扩展能力。近期牛津大学、Mila研究所与Googl
清华课题组合作发展基于深度学习的单分子FRET去噪网络
基于相机的单分子荧光共振能量转移（FRET）技术能够精确测量来自单个荧光分子的信号，从而表征和揭示生物大分子的重要动态过程。该技术以其较高的实验通量、优越的技术成熟度成为阐释生物大分子结构变化、反应途径和分子机制的重要生物物理学手段。然而，现有实验手段从图像中