本研究提出了一种名为ATOMIC的全自主实验框架，旨在解决二维材料表征中对专家知识和大量训练数据的依赖。该框架利用基础模型实现零-shot特性，能够在复杂条件下准确识别材料特征，单层分割准确率达到99.7%，将显著改变纳米材料研究方式。

本研究探讨了在自动化实验中优化目标不明确的问题，展示了多目标贝叶斯优化（MOBO）在扫描探针显微镜中的应用。研究表明，MOBO能够优化成像参数，提高测量质量和重现性，并通过分析帕累托前沿提供不同目标的权衡洞察，对自主科学发现具有重要意义。

本研究提出了一种双步骤图像融合方法，解决了光片显微镜在深度成像中的低穿透力和图像质量下降的问题，显著提升了三维图像的融合质量。

本研究利用彩色流动成像显微镜技术，提升了生物制药中蛋白质聚集体应力来源的识别能力，并结合深度学习显著提高了分类精度，为品质控制提供了新方案。

本研究提出了一种新框架，利用级联扩散模型合成2D和3D显微图像，以提高细胞分割的自动化水平。实验结果表明，结合合成数据与真实数据训练的模型，细胞分割性能提升可达9%。

本研究探讨了超分辨率超声定位显微镜中微泡检测阈值的设定及其对图像质量的影响。结果表明，假阳性和假阴性率对峰值信噪比的影响相似，但假阳性率的增加显著降低了结构相似性指数，强调了改进微泡检测框架的重要性。

本研究提出了一种基于去噪扩散概率模型的显微镜图像重建方法，旨在解决图像噪声和低分辨率问题。实验结果表明，该模型在多个数据集上优于现有最佳方法，具有良好的通用性。

本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描技术自动识别视网膜疾病，取得了良好效果。通过深度学习和超分辨率技术，改善眼科临床决策，克服有限注释数据的挑战。此外，研究介绍了新型超广角光学相干断层扫描血流成像技术，并构建了M3OCTA数据集，推动眼科图像分析的发展。

介绍了基于Mamba的新模型Swin-UMamba，用于医学图像分割任务。实验证明，基于ImageNet的预训练对模型性能提升很重要。Swin-UMamba在AbdomenMRI、Encoscopy和Microscopy数据集上表现出色，平均得分比最接近的模型高出3.58%。