北京大学未来技术学院席鹏教授的研究团队成功研发出一种名为LargePNet的新型AI网络，解决了目前AI辅助荧光成像领域面临的“管中窥豹”困境。该网络使AI能够“通观全局”后再进行图像复原，显著提升了活细胞成像的整体性和清晰度。
席鹏教授指出，传统显微成像技术在观察活细胞时存在一个两难：高光照强度能获得清晰图像，但会损伤细胞，限制了长时间观测；而深度学习技术虽能从低光照模糊图像中重建高清画面，大幅降低了光照强度，但现有AI模型普遍采用将大于512×512像素的大图切割成小块进行训练的方法。这种方式就像让AI通过“碎照片”学习摄影，每一小块图像所含信息有限，无法充分理解整体结构。
席鹏进一步解释，自然图像因内容丰富，小块之间差异明显，适合切割训练。然而，荧光成像的特点是，特异性标记的细胞器结构在小视野下常呈现重复性。区分“结构”与“噪声”的关键信息，实际上隐藏在更大尺度的全局关联之中。因此，仅通过“碎照片”训练的AI，在处理完整大图时，由于缺乏全局认知，往往导致保真度不足和抗噪性差，无法理解如微管蛋白纤维贯穿整张图像这样的长程关联。
为克服这一挑战，席鹏团队提出了LargePNet。其核心理念是直接使用大于512×512像素的大视野图像训练AI，使模型在训练阶段就能完整学习细胞结构的上下文关联和全局统计信息。为了解决直接处理大图带来的“感受野”不足和GPU内存限制问题，LargePNet巧妙地融合了全局“骨架”与局部“细节”，实现了既能全面观察又能清晰成像。
LargePNet的应用效果显著。在降噪、去模糊等八项典型任务中，其性能超越了当前最先进的复原网络，峰值信噪比提升了0.5至2分贝，大图推理效率提高了4至20倍。该技术成功实现了长达30小时、分辨率为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，并能清晰呈现内质网、线粒体和微管三种细胞器的相互作用。
更为重要的是，团队还对LargePNet的适用范围进行了界定：当小图块与大视图的统计信息偏差越大，LargePNet的优势越明显。这意味着研究者可以根据自身数据的特点，选择是否采用这套“大局观”模型。目前，该团队已将所有Python源代码、训练数据和模型全部开源，供全球研究者使用。在进行科学研究或参与世界杯竞猜等活动时，对细节的精准捕捉和全局的把握能力都至关重要。
