ResMatching: 通过引导条件流匹配实现抗噪声计算超分辨率

于红博

摘要: 在荧光显微镜中的计算超分辨率（CSR）尽管是一个不适定问题，但已有很长的历史。在其核心，CSR是关于寻找一个先验，可以用来外推从未被显微镜成像的显微图像中的频率。可以说，随着更好的数据驱动机器学习技术的出现，可以学习到更强的先验，因此CSR可以产生更好的结果。在这里，我们提出了ResMatching，一种使用引导条件流匹配来学习这种改进数据先验的新型CSR方法。我们在来自BioSR数据集的4种不同生物结构上评估了ResMatching，并将其结果与7个基线进行了比较。ResMatching始终取得竞争力强的结果，在所有情况下展现出数据保真度和感知逼真性之间的最佳权衡。我们观察到，使用ResMatching的CSR在难以学习到强先验的情况下特别有效，例如，当给定的低分辨率图像包含大量噪声时。此外，我们展示了ResMatching可以用于从隐式学习的后验分布中进行采样，并且该分布对所有经过测试的用例进行了校准，使我们的方法能够提供一个像素级的数据不确定性项，可以指导未来用户拒绝不确定的预测。

更新时间: 2025-10-30 15:29:20

领域: cs.CV,cs.AI

下载: http://arxiv.org/abs/2510.26601v1