新闻-清华大学成像与智能技术实验室

当前位置：网站首页 > 新闻

15
2024-05

Nature Photonics | 光电智能衍射计算处理器

以深度学习为代表的人工智能技术已在包括自动驾驶、医疗诊断、语音翻译等众多领域带来巨大的变革。随着深度学习算法的迅猛发展，人工神经网络规模的不断增大，迫切需要不断提升计算处理器的运算速度和能效。采用传统电子计算方式已经越来越难以满足未来人工智能对处理器计算性能的需求。近年来，基于光计算高速、低功耗、高并行的颠覆性优势，通过光电融合的方式构建光学神经网络与智能光电计算处理器已经成为国际信息技术前沿...
14
2024-05

Nature Protocols｜戴琼海团队发布自适应扫描光场显微镜开源解决方案，打破活体显微成像壁垒

随着近年来各种动物模型的发展，对活体观察其原生状态下的细胞间和细胞内相互作用的需求迅速增长。由于三维微环境的复杂性，细胞和细胞器在细胞培养板和多细胞生物体内表现出截然不同的行为。更重要的是，它们的功能和行为通常在不同生理或病理状态的长时程范围内表现出高速变化。然而，对活体组织的成像涉及光散射、光学像差、样本三维运动和光毒性等挑战，极大地降低了当前显微仪器在复杂环境（尤其是哺乳动物体内）的成像性...
14
2024-05

Nature Methods｜戴琼海团队研制虚拟扫描光场显微镜，刷新活体显微三维时空分辨率新纪录

研究生物体内多个细胞和细胞器之间的相互作用和功能，离不开活体显微技术的持续进步，尤其依赖高时空分辨的成像技术以捕捉哺乳动物体内复杂微环境中的高速三维变化。在过去的十余年里，科学家们为三维荧光成像的技术革新做出了大量努力，促进了细胞生物学、发育生物学和神经科学等学科的快速发展。其中，作为计算显微成像的典型代表，清华大学成像与智能技术实验室所提出的扫描光场显微镜（sLFM）【1】凭借其高速三维成像能力、...
14
2024-05

Cell｜戴琼海团队以前所未有的时空分辨率进行哺乳动物活体长时程观测

对活体高速高分辨率长时观测能力矢志不渝的追求，贯穿了显微技术几个世纪的发展史，是生命科学和医学研究的破冰船，是发现新现象、揭示新机制的先行官。然而受到三维组织分布、光学像差、光毒性等诸多胶着问题的限制，在哺乳动物活体环境下进行高速亚细胞分辨率长时程观测始终悬而未决，极大地制约了脑科学、肿瘤学与免疫学的深入研究。2021年5月25日，清华大学脑与认知科学研究院、自动化系戴琼海院士课题组，生命科学学院俞立...
14
2024-05

Science | 从无极而至太极，以致万物化生：大模型智能光计算之道Taichi

智能光芯片“太极”赋能160 TOPS/W大规模通用计算光电智能计算作为近年来新兴的计算模态，在后摩尔时代展现出远超传统硅基电学计算的通量与能效，有望解决人工智能领域的算力与功耗难题。然而，现有智能光计算面临通用传播模型不明、计算架构缺失、计算规模受限等桎梏，其计算任务往往局限于简单的字符分类、基本的图像处理等。对于亟需高算力与高能效的复杂大模型智能计算，光的高性能潜力难以施展。其痛点是光的计算优势被困...
14
2024-05

Light: Science & Applications | 无监督模态迁移光学显微成像

光学显微成像是生命科学和生物医学的重要观测手段。由于物理设备极限、成像条件、样本制备流程等诸多因素的限制，直接获取的显微图像通常无法充分揭示样本信息。近些年来，深度学习在计算成像和图像变换方面取得了很大的进展。作为一种数据驱动的方法，具有海量参数的深度神经网络理论上可以逼近从输入域到输出域的任意映射，这为生物医学成像中的图像变换提供了一个很有前景的解决方案。显微图像变换的目的是将一类图像转换成...
14
2024-05

Nature Methods | 戴琼海团队总结生物图像分析的机遇与挑战

先进成像技术能够对复杂生命现象实现多维多尺度的观察，但随之产生的大量数据却给图像分析带来了巨大挑战，如何准确高效地分析海量成像数据已经成为揭示生命科学新机制的关键一环。2022年7月12日，清华大学脑与认知科学研究院戴琼海团队受Nature Methods邀请，以Challenges and opportunities in bioimage analysis为题发表技术评论【1】，总结生物图像分析的新进展和新趋势，并展望新兴技术所带来的新的可能性。“More is diff...
14
2024-05

Nature Computational Science | 新一代自监督去噪方法推动多模态超灵敏荧光成像

北京时间2023年12月12日，清华大学成像与智能技术实验室戴琼海/王好谦/吴嘉敏团队在《自然—计算科学》（Nature Computational Science）发表题为“Spatial redundancy transformer for self-supervised fluorescence image denoising”的论文。该成果开发一种基于空间冗余采样的自监督显微图像增强方法，利用荧光图像固有的邻接相似性，同时设计先进的轻量级视觉自注意力网络架构，无需任何高信噪比数据即可实现高性能的图像去...

首页上页123下页尾页

邮箱：qhdai@tsinghua.edu.cn

地址：清华大学中央主楼三楼

传真：+86 10 62773433