团队成员戴琼海教授及其博士后乔畅、博士生曾昀敏与生命科学学院李栋教授合作，提出一种零样本通用显微图像去噪及超分辨处理框架。

基于深度学习的显微图像处理技术，包括图像超分辨、去噪等，可以在不增加活体成像实验成本的基础上提升图像质量，是推动生命科学研究的利器。现有方法依赖大量低分辨率/信噪比-高分辨率/信噪比的显微图像数据对进行学习，但由于活体生物样本的高动态性、以及生物结构种类的多样性，为每种生物结构采集大量高质量的训练数据是不切实际的。这些因素严重阻碍了现有方法在日常生物实验中的使用。

本研究基于显微图像的噪声模型与零样本学习理论，提出了零样本通用显微图像处理框架ZS-DeconvNet，并开发了对应的一键式显微图像处理软件。ZS-DeconvNet能够使用少至单张低分辨率/信噪比图像、以无监督的方式进行训练，稳定地将显微图像的分辨率提高至衍射极限1.5倍以上，工作荧光强度比传统的超分辨成像条件降低10倍。所提出的ZS-DeconvNet具有物理性、通用性、鲁棒性和易用性的特点，相比于传统基于迭代优化的解卷积方法相比数据通量提高100多倍，适用于包括全内反射显微镜、三维宽场显微镜、晶格光片显微镜、共聚焦显微镜、多模态结构光照明超分辨显微镜在内的各种成像模式，为脑科学、细胞生物学等基础研究的发展提供了一种强大、可靠的工具支撑。

相关成果已发表于领域顶级期刊Nature Communications。

ZS-DeconvNet框架及示例性处理效果