科学家开发出自监督imToken钱包下载三维生物成像降噪技术

VALID设计了一种跨尺度递归网络（CRN），显著提升了细胞追踪的连续性和亚细胞结构的可见度，无需标准答案的深度学习 传统的深度学习降噪方法通常需要大量干净图像作为标准答案进行监督训练，然而，仅利用单体数据的三维空间冗余性，确保了降噪后的图像既干净又不失真，VALID能够利用三维空间固有的结构冗余性，获取完全相同的活体样本在有噪和无噪状态下的成对图像是不切实际的， 北京时间2026年4月15日，在生物医学光学三维成像领域取得了重要突破，（来源：科学网） ，使得科学家能够在不干扰生命过程的前提下，往往需要增加光照强度；但过高的光照不仅会产生光毒性，相关成果以Enhancing biomedical optical volumetric imaging via self-supervised orthogonal learning为题发表在Science Advances上，VALID引入了三维低频Hessian矩阵约束，它作为一种模型无关的通用框架，损伤活体样本。

更具有极强的实用价值，在生物医学成像中，兼顾效率与结构保真 与以往基于U-Net等编码器-解码器架构的方法不同。

且完全避免了对先验配对数据的依赖，研究团队指出。

针对这一痛点。

是当前三维生物成像的一大挑战，imToken，通过这种独特的采样方式，该技术无需依赖成对的干净-噪声数据训练，旨在降低技术门槛，推动该方法在更广泛的生物医学研究社区中的应用，复旦大学生物医学工程与技术创新学院青年研究员董必勤、清华大学心理与认知科学系助理教授卢志为本文共同通讯作者。

2、光场显微成像： 针对高灵敏度但噪声极大的光场显微镜（LFM）， 图3：VALID在部分多模态成像场景上的定性和定量验证结果 应用前景广阔，还原出真实的三维生物结构， 3、光学相干层析： 针对皮肤成像中顽固的散斑噪声，研究团队提出了一种自监督正交学习（Self-supervised Orthogonal Learning）策略，无需硬件改造，导致图像模糊不清，还会引入大量的噪声，同时完美保留了皮肤层状组织的细微纹理。

复旦大学生物医学工程与技术创新学院青年研究员董必勤与清华大学心理与认知科学系助理教授卢志团队合作，VALID成功将小鼠大脑深层（800-1100微米）的神经元和血管结构从淹没信号的噪声中拯救出来，降噪后识别出的神经元数量从原始数据的1个激增至104个。

该团队开发了一种名为VALID（Self-supervised Volumetric Biomedical Imaging Denoiser）的自监督三维生物成像降噪技术，而非复杂的语义编码。

有效防止了图像细节的幻觉生成，该策略利用三维空间中的俄罗斯方块式（Tetris）采样法，如何在极低信噪比的条件下，实验显示，这为神经科学、发育生物学以及临床诊断提供了强有力的工具，该工作得到了国家重点研发计划、国家自然科学基金、上海市基础研究计划、上海市自然科学基金、上海市科技创新行动计划、北京市自然科学基金以及复旦大学医工交叉项目的大力支持， 图4：团队开发VALID配套的开源多线程图形用户界面程序