神经网络还原显微图像

Skoltech博士 学生Valeriya Pronina在ECCV 2020计算机视觉会议上介绍了她在显微图像恢复方面的工作。出于这项研究的想法，Valeriya获得了法国政府的Ostrogradski奖学金，并被邀请在里昂国家研究所的实验室进行联合研究法国应用科学学院(INSA Lyon)。

Valeriya Pronina的研究在Skoltech大数据集科学与工程计算技术中心(CDISE)的Dmitry Dylov助理教授的指导下，展示了如何将深层的Wiener-Kolmogorov滤光片用于重建显微图像。事实是，通过生物物体显微镜获得的图像质量通常会受到噪音的困扰，并且图像经常模糊。这会干扰对图像中显示的信息的充分感知，并可能导致例如错误的诊断。深度学习算法的使用提供了更清晰，更无噪声的图像。

德米特里·迪洛夫(Dmitry Dylov)表示：“在许多现代深度学习文章中，作者都​​尝试使用一些简单明了的方法来改善图像。也就是说，该模型使用了一些数据并试图直接近似所需的结果。在我们的工作中，我们受到了启发变分和优化问题，其中的噪声过滤和图像恢复设备已经得到了很好的研究;了解经典过滤器的工作原理，我们使用深度神经网络来清洗图像本身而不是清洗图像，而是学习过滤参数。能够胜过其他研究人员的当前模型。”

Valeria Pronina说：“由FrançoisePeyrin博士领导的CREATIS实验室研究团队从事断层图像和放射疗法的研究，以及医学成像方面的逆问题。他们对针对特定信号的降噪算法的开发产生了兴趣。我非常高兴能在CREATIS实验室，特别是在FrançoisePeyrin小组中进行了为期三个月的联合研究，并将开发的方法应用于最现代的显微镜，我感到非常高兴。”

这些算法结合了经典优化和深度学习方法。这些方法可轻松调整，并在计算效率和图像恢复精度之间进行权衡。将来，我们计划将提议的方法集成到处理暴露于模糊和噪声的图像的通用方案中，并通过实验室研究的特定显微镜获得。