北京大学未来技术学院教授席鹏领导的团队，近期开发出一种名为LargePNet的先进荧光成像复原网络，解决了AI辅助荧光成像领域长期存在的“管中窥豹”难题。

传统显微成像技术在观察活细胞时常面临一个两难：高清晰度成像需要强光照射，但这会损害细胞，限制了长期观测的可能性。近年来，深度学习技术为解决这一问题带来了希望，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，实现更长的生命观测周期。然而，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（如64×64或128×128像素）进行训练。席鹏教授指出，这种方法就像让AI通过“碎照片”学习摄影，每块小图包含的信息量极其有限。

席鹏教授解释说，自然图像内容丰富，不同小块之间差异明显，适合进行切图训练。但荧光成像则截然不同，由于荧光染料通常特异性标记细胞器，在小视野下观察到的往往是重复的细线结构。区分“结构”与“噪声”的关键信息，实际上蕴藏在大尺度的全局关联之中。经过“碎照片”训练的AI，在处理完整大图时，由于缺乏全局认知，常常表现出保真度不足和抗噪性差的问题，因为它从未学习过“整只豹子”的形态。他进一步说明，荧光图像中，大视野范围内的生物结构之间存在长程关联，例如一根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，便丧失了理解这种全局结构的能力。

该团队的解决方案是提出一种全新的通用型荧光成像复原网络LargePNet。其核心理念在于直接使用大于512×512像素的大视野图像来训练AI，使模型在训练阶段就能完整学习细胞结构的上下文关联和全局统计信息。然而，直接将大图输入传统神经网络会遇到两大挑战：一是如何建立足够大的“感受野”让AI理解全局结构；二是如何控制大视野图像的计算量，避免GPU内存溢出。为此，团队构建了LargePNet，一个高效的大视野通用型荧光成像复原网络，融合了全局“骨架”和局部“细节”的处理能力，实现了“看得全”与“看得清”的兼顾。

此次技术革新带来了显著的效果。在涉及不同显微模态的降噪和去模糊等八项典型任务中，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，而在大图推理效率方面则提升了4至20倍。基于此技术，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。此外，该技术还能在同一画面中清晰呈现内质网、线粒体和微管这三种细胞器的相互作用。

更为重要的是，团队还提供了“适用范围说明”。他们发现，当小图块与大视图的统计信息差异越大时，LargePNet相较于传统小图训练网络所展现出的复原优势就越明显。席鹏表示，这意味着研究人员可以根据自身数据的特点，判断何时采用这套具有“大局观”的模型更为合适。目前，该团队已将全部Python源代码、训练数据和模型开源，供全球同行免费使用。