无监督域名适应EM图像否定与可逆网络

科学领域:

• 显微镜的使用方法
• 图像处理 图像处理
• 人工智能的人工智能

背景情况:

• 电子显微镜 (EM) 图像消噪对于分析至关重要.
• 深度学习 (deep learning) 拒绝的方法与领域的转变作斗争.
• 现有的盲色消光方法在EM图像特征方面存在局限性.

研究的目的:

• 开发第一个无监督域自适应EM图像消噪方法.
• 为了解决EM图像的域移动引起的性能恶化,EM图像denoising.
• 为了提高图像恢复质量和下游分析准确度.

主要方法:

• 从杂的电磁图像中解脱内容表示和噪声组件.
• 通过域调整建立一个共享的域异性内容空间.
• 整合域规范化以实现精确对齐,并使用解-重建可逆网络.

主要成果:

• 在合成和真实EM数据集上表现出卓越的性能.
• 在图像恢复质量方面取得了显著的改进.
• 提高了下游神经元细分的准确性.

结论:

• 拟议的无监督域适应方法有效地弥合了EM图像无噪声中的域间隙.
• 该方法为改善EM图像质量和随后的分析提供了可靠的解决方案.
• 公开可用的代码有助于进一步的研究和应用.