Learned SPARCOM：展开式深度超分辨显微术
Learned SPARCOM: Unfolded Deep Super-Resolution Microscopy
AI总结：
针对单分子定位显微时间分辨率低的问题，本研究将经典SPARCOM方法与算法展开式深度学习结合，提出LSPARCOM网络，可在少量高密度帧、未知光学系统的情况下实现跨测试集的超分辨成像，助力活细胞成像。
摘要：
利用光激活荧光分子生成长序列低发射体密度的衍射极限图像，可实现高精度的发射体定位，但代价是时间分辨率较低。我们提出将近期性能优异的经典方法SPARCOM（稀疏相关超分辨显微术）与基于模型的深度学习相结合，采用算法展开方法，设计出一个融入领域知识的紧凑型神经网络。我们的结果表明，使用所提出的learned SPARCOM（LSPARCOM）网络，无需了解光学系统的相关信息，就能在少量高发射体密度的帧中实现超分辨成像，且该效果在不同测试集上均成立。我们认为LSPARCOM可为多种场景下可解释、高效的活细胞成像铺平道路，并在生物结构的单分子定位显微术中得到广泛应用。
英文摘要：
The use of photo-activated fluorescent molecules to create long sequences of low emitter-density diffraction-limited images enables high-precision emitter localization, but at the cost of low temporal resolution. We suggest combining SPARCOM, a recent high-performing classical method, with model-based deep learning, using the algorithm unfolding approach, to design a compact neural network incorporating domain knowledge. Our results show that we can obtain super-resolution imaging from a small number of high emitter density frames without knowledge of the optical system and across different test sets using the proposed learned SPARCOM (LSPARCOM) network. We believe LSPARCOM can pave the way to interpretable, efficient live-cell imaging in many settings, and find broad use in single-molecule localization microscopy of biological structures.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
