北京大学未来技术学院教授席鹏的研究团队近期取得突破，开发出一种名为LargePNet的通用型荧光成像复原网络，解决了AI辅助荧光成像中“管中窥豹”的难题，实现了对活细胞的大视野、高清晰度成像。

席鹏教授指出，在显微镜下观察活细胞时，研究人员常面临一个困境：为了获得清晰图像，需要较高的光照强度，但这容易损伤细胞，限制了长时间的观察。尽管深度学习技术能够从低光照、模糊的图像中重建高清画面，从而降低光照强度并延长观测时间，但现有AI模型普遍采用处理自然图像的方法，即将大于512×512像素的大图分割成小块进行训练。这种方法的问题在于，每一小块图像包含的信息量有限，如同让AI通过“碎照片”来学习摄影。

席鹏解释说，自然图像内容丰富，不同小块之间差异明显，适合分割训练。然而，荧光成像的特性不同，细胞器在小视野下可能呈现重复的细微结构。区分“结构”与“噪声”的关键信息，往往隐藏在更大尺度的全局关联之中。使用“碎照片”训练的AI，在处理完整大图时，由于缺乏全局认知，常常导致复原效果不佳，保真度和抗噪性都较差，因为它没有学习过“整只豹子”的形态。他进一步说明，荧光图像中的生物结构在大视野范围内存在长程关联，例如微管蛋白纤维可能贯穿整个图像。当AI模型只接触过碎片信息，就无法理解这种全局结构。

该团队的创新之处在于提出了LargePNet网络。其核心理念是直接使用大于512×512像素的大视野图像来训练AI，使模型在训练阶段就能全面学习细胞结构的上下文关联和全局统计信息，而非分割成小块。然而，直接将大图像输入传统神经网络会遇到两个挑战：一是如何建立足够大的“感受野”以使AI理解全局结构；二是如何控制大视野下的计算量，避免GPU内存溢出。为此，团队构建了LargePNet，一个能够融合全局“骨架”与局部“细节”的高效大视野通用型荧光成像复原网络，实现了既能看全又能看清。

这项技术的应用效果显著。在降噪、去模糊等八项涉及不同显微模态的典型任务中，LargePNet相比当前最先进的复原网络，在峰值信噪比上提升了0.5至2分贝，大图推理效率提高了4至20倍。利用该技术，团队成功实现了长达30小时、分辨率为200纳米的活细胞亚细胞器动态成像，稳定捕捉了细胞骨架的动态变化，并能清晰展示内质网、线粒体和微管三种细胞器在同一画面中的相互作用。

更重要的是，该团队还提供了一份“适用范围说明书”。他们发现，小图块与大视图的统计信息偏差越大，LargePNet相较于传统小图训练网络的复原优势就越明显。这意味着研究人员可以根据自身数据的特点，判断何时更适合使用这套具备“大局观”的模型。目前，该团队已将全部Python源码、训练数据和模型开源，供全球同行免费使用。