Structured illumination microscopy (SIM) is a popular and powerful super-resolution (SR) technique in biomedical research. However, the conventional reconstruction algorithm for SIM heavily relies on the accurate prior knowledge of illumination patterns and signal-to-noise ratio (SNR) of raw images. To obtain high-quality SR images, several raw images need to be captured under high fluorescence level, which further restricts SIM’s temporal resolution and its applications. Deep learning (DL) is a data-driven technology that has been used to expand the limits of optical microscopy. In this study, we propose a deep neural network based on multi-level wavelet and attention mechanism (MWAM) for SIM. Our results show that the MWAM network can extract high-frequency information contained in SIM raw images and accurately integrate it into the output image, resulting in superior SR images compared to those generated using wide-field images as input data. We also demonstrate that the number of SIM raw images can be reduced to three, with one image in each illumination orientation, to achieve the optimal tradeoff between temporal and spatial resolution. Furthermore, our MWAM network exhibits superior reconstruction ability on low-SNR images compared to conventional SIM algorithms. We have also analyzed the adaptability of this network on other biological samples and successfully applied the pretrained model to other SIM systems.

当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度，显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数，提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。

针对彩色图像引导的深度图像超分辨率重建算法中存在的纹理转移和深度流失的问题，提出一种基于双特征融合引导的深度图像超分辨率重建网络（DF-Net）。为了充分利用深度和强度特征的关联性，在网络模型的深度恢复重建部分采用双通道融合模块（DCM）和双特征引导重建模块（DGM）。利用输入金字塔结构提取深度信息和强度信息的多尺度特征：DCM基于通道注意力机制对深度特征和强度特征进行通道间的特征融合与增强；DGM将深度、强度特征自适应选择融合后实现重建的双特征引导，增加了深度特征的引导作用，改善了纹理转移和深度流失的问题。实验结果表明，所提方法的峰值信噪比（PSNR）和均方根误差（RMSE）优于RMRF、JBU和Depth-Net等方法，尤其4×超分辨率重建结果的PSNR值比其他方法平均提升6.79 dB，RMSE平均下降0.94，取得了较好的深度图像超分辨率重建效果。

针对基于卷积自编码进行空-谱联合的高光谱解混方法中，过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象，提出一种结合注意力机制的双流卷积自编码高光谱解混方法（DSCU-Net）。首先，利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征；其次，为了确保空间特征和光谱特征之间的平衡性，引入通道注意力机制对提取到的空间特征进行重加权，并对光谱特征和重加权后的空间特征进行融合；最后，使用融合后的特征进行高光谱图像重构，并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能，在两个真实数据集上进行实验，并对复杂场景下算法的性能表现进行分析。结果表明，DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象，具有更好的解混性能。

红移是星系的基本参数之一。 大量已知星系只有测光图像而并没有光谱, 因此通过测光图像而非光谱来求取红移值具有重要的研究意义。 首先构建了一种基于测光图像估计星系红移的回归网络(GRRnet)。 它和以往的类似方法相比网络层数更深, 而且增加了注意力机制, 使模型能聚焦更为有用的信息。 在GRRnet的基础上, 进一步提出了一种两步走的策略, GRRnet-C-R: 第一步把星系按照红移进行粗分类; 第二步按照分好的类分别进行回归估计, 最后再合并到一起。 这种策略可明显减小测光红移估计的误差。 该工作的数据全部来源于斯隆数字巡天(SDSS)的第十六次数据发布SDSS DR16, 从中选取了96 024个红移小于0.6的星系, 每个星系的相关数据包含g, r, z三个波段的合成图像、 u, g, r, i, z五波段的测光值、 以及被视作标签的光谱红移。 在预处理过程中, 将测光图像剪切成50×50的尺寸, 目的是在保障减少计算量的同时能框选住大部分星系。 由于对比算法NetZ的输入尺寸为64×64, 为了保持输入尺寸一致, 使用cv2.resize函数将图像尺寸更改为64×64。 实验采用了七种评价指标与多种方法进行对比, 结果表明GRRnet-C-R的均方误差(MSE)低至0.001 46, 与随机森林(RF)、 极限梯度提升(XGBoost)和NetZ相比误差分别降低了22.3%、 21.9%和18.0%。 GRRnet-C-R的线性回归决定系数R2达到了0.948, 取得了一个很好的模型拟合效果。 实验结果证明了这种两步走的策略能有效降低测光红移估计的误差, 这为之后的测光红移估计提供了一种新的思路和方法。