无需清洗基准图像的超分辨率技术：应用于电子显微镜
内容提要
本文综述了多项超分辨率研究，涵盖无监督对抗网络提升内窥镜图像质量、自监督对比学习实现非配对MRI超分辨率、荧光显微活细胞成像中信噪比与分辨率的权衡、扫描超透镜显微镜将光学图像转为类SEM图像用于缺陷检测、EDSRGAN用于数字岩石成像、多任务学习保留结构细节、可探索超分辨率框架支持输出编辑、参考图像超分辨率迁移纹理、3D密集连接网络恢复脑部MRI，并综述了单图像超分辨率的方法与挑战。
延伸解读
无配对数据下的超分辨率思路
文中多项研究致力于解决配对低分辨率与高分辨率数据难以获取的问题。例如，内窥镜超分辨率框架利用高分辨率图像传递质量，无需配对数据；非配对MRI超分辨率则采用自监督对比学习，在有限训练数据下提升峰值信噪比和结构相似性。这些方法降低了数据采集门槛，但实际效果仍取决于高分辨率参考图像的质量与数量。
跨模态转换在缺陷检测中的潜力
扫描超透镜显微镜系统通过深度学习建立光学超分辨率图像与扫描电子显微镜图像之间的映射，将光学图像转化为类似SEM的大景深图像，重构细节丰富。该技术适用于芯片级缺陷检测、生物样品分析等领域，但文章未说明转换精度在不同样品或缺陷类型上的稳定性，实际部署前需评估泛化能力。
可编辑超分辨率与结构保真
可探索超分辨率框架允许用户编辑超分辨率输出，以探索对低分辨率输入的不同高分辨率解释，其模块能保证输出在下采样时与输入精确匹配，并可处理与训练不同的模糊核。同时，多任务学习框架通过全局边界上下文和残留上下文提升结构细节保留。两者分别从交互探索和网络设计角度回应了超分辨率结果的可控性与保真度问题。
Q&A
无监督超分辨率如何在没有配对低分辨率和高分辨率图像的情况下提升内窥镜图像质量？
该框架利用高分辨率图像将质量传递到起始低分辨率图像中，从而在没有配对LR/HR的情况下产生令人信服的超分辨率图像，提高内窥镜图像质量以用于诊断和介入指导。
自监督对比学习用于非配对MRI超分辨率时，在训练数据有限的情况下效果如何？
该方法利用有限的训练数据提高超分辨率性能，结果显示即使在仅有有限数量HR图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高，强调了其在解决有限训练数据挑战上的潜力。
扫描超透镜显微镜（SSUM）系统如何将光学超分辨率图像转化为类SEM图像？
SSUM通过光学超分辨率图像和扫描电子显微镜（SEM）领域图像之间的映射关系，将光学超分辨率图像转化为类似SEM的具有大景深的图像，重构结果具有高层次的细节。
EDSRGAN在数字岩石超分辨率成像中有什么作用？
EDSRGAN用于数字岩石的超分辨率成像，实现了高分辨率图像的重建，特别是对于具有微孔特征的岩石样本，对进一步分析具有重要意义。
引用图像超分辨率（RefSR）模型如何从参考图像中转移纹理？
该模型借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。
3D密集连接网络如何从单张低分辨率MRI图像中恢复高分辨率脑部结构？
该网络用于从单张低分辨率MRI图像中恢复高分辨率的脑部结构特征，实验表明在还原4倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。
