透过竹管看豹，只见斑纹不见全貌——这就是“管中窥豹”的困境，也是当前AI辅助荧光成像面临的核心难题。北京大学未来技术学院教授席鹏团队日前破解了这一难题，他们提出的大视野通用型荧光成像复原网络LargePNet，让AI学会“通观全局”再动手复原。

“当科学家用显微镜观察活细胞时，往往面临两难困境：想看清晰就得用强光照射，可这容易损伤细胞，让长时观测举步维艰。”席鹏表示，近年来，深度学习曾带来转机，能从模糊低光图像中“算”出高清画面，大幅降低成像所需的光照强度，实现更长时间的生命观测。但有一个问题长期被忽视：现有的AI模型大多沿用自然图像的处理方法——把一张大于512×512像素的大图切成64×64或128×128的小块来训练。这就像让AI通过看“碎照片”学习摄影，每一块小图都只包含极少信息。

席鹏介绍，自然图像内容丰富，小块之间差异明显，适合切图训练。但荧光成像截然不同：荧光染料特异性标记的某种细胞器，在小视野下看到的往往是重复的细线结构。真正区分“结构”与“噪声”的关键信息，恰恰藏在大尺度的全局关联中。用“碎照片”训练出的AI，处理完整大图时常因缺乏全局认知而保真度不足、抗噪性差——它没学过“整只豹子”长什么样。“荧光图像中，大视野范围内生物结构之间存在长程关联，比如一根微管蛋白纤维可能蜿蜒贯穿整张图像。当网络只见过碎片，它就失去了理解这种全局结构的能力。”

团队的解决思路颇具巧思：提出了一种全新的通用型荧光成像复原网络LargePNet。核心思路大道至简：不再切小图，直接用大于512×512像素的大视野图像训练AI，让模型在训练阶段就完整学习细胞结构的上下文关联和全局统计信息。然而，直接“喂”大图给传统神经网络，会遇到两个难题：一是建立足够大的“感受野”让AI理解全局结构；二是控制大视野的计算量，不让GPU“爆内存”。为此，团队构建了LargePNet这样一个高效的大视野通用型荧光成像复原网络，全局“骨架”与局部“细节”融合汇合，实现既看得全又看得清。

效果立竿见影：在涉及不同显微模态的降噪、去模糊等八项典型任务中，LargePNet相较当前最先进的复原网络峰值信噪提升0.5至2分贝，大图推理效率提升4至20倍。依托这一技术，团队成功实现了长达30小时、分辨率200纳米的活细胞亚细胞器动态成像，稳定捕捉了细胞骨架的动态变化；还让内质网、线粒体和微管三种细胞器的相互作用在同一画面中纤毫毕现。

更重要的是，团队还给出了一张“适用范围说明书”：他们发现，当小图块与大视图的统计信息偏差越大，LargePNet相较于传统小图训练网络的复原优势就越显著。“这意味着研究者可根据自己的数据特点，判断何时更适合启用这套‘大局观’模型。目前，我们已将全部Python源码、训练数据与模型开源，供全球同行自由取用。”席鹏说。（记者晋浩天）