采用物理驱动神经网络在数字全息显微镜中单次重建生物细胞三维形态

神经网络在相位恢复和全息图像重建中能够消除空间伪影，提高成像速度和准确性。

深度学习的数字染色技术PhaseStain可以将未标记的组织切片转变为相当于经过染色的图像，减少化学染色需求。

通过机器学习和物理知识结合，优化LED阵列显微镜的编码照明模式，提高实验结果的准确性。

DeCAF方法通过学习折射率表征生成高对比度和无伪影的折射率图像，显著减少均方误差。

基于条件归一化流的新架构实现快速三维立体重建，适用于实时采集和分析。

光学断层扫描成像技术在细胞三维重建和癌症早期诊断方面展现潜力。

GenLFI框架利用生成型人工智能解决传统透镜的限制，为生物医学研究提供工具。

MicroDiffusion工具通过非衍射光束进行高质量的3D体积重建，增强了图像细节和保真度。

结合深度模型和物理模型的混合框架在计算显微术中快速解决逆问题，提升图像质量。

深度学习技术与生物光子学装置的整合提升了生物成像工具的性能，补偿测量指标的妥协。