北京大学未来技术学院的席鹏教授及其研究团队，近期在AI辅助荧光成像领域取得突破，开发出一种名为LargePNet的大视野通用型荧光成像复原网络。该技术旨在解决当前AI在处理活细胞成像时面临的“管中窥豹”困境，即在追求清晰度的同时，往往会牺牲整体视野。

传统的AI成像方法，如同让AI通过“碎照片”学习摄影，将大于512×512像素的图像分割成小块进行训练。席鹏教授解释说，这种方法虽然在自然图像处理中有效，但对于荧光成像却存在局限。荧光显微镜观察活细胞时，为了获得清晰图像需要较高光照，这可能损害细胞并限制观测时长。尽管深度学习技术能够通过算法从低光照、模糊的图像中生成高清画面，但现有的AI模型因训练方式受限，无法有效捕捉细胞结构在全局尺度上的关联信息。例如，细胞器在小视野下可能呈现重复结构，区分结构与噪声的关键信息往往隐藏在更大的图像范围内。这种“碎片化”训练导致AI在处理完整大图时，因缺乏全局认知而导致复原效果不佳，保真度和抗噪性均受影响。

席鹏教授团队的新思路是，不再将图像切分，而是直接使用大于512×512像素的大视野图像来训练AI。LargePNet网络的设计，旨在克服直接处理大图时遇到的挑战，包括建立足够大的“感受野”以理解全局结构，以及控制计算量以避免GPU内存不足。通过融合全局“骨架”与局部“细节”的处理方式，LargePNet实现了在成像范围和清晰度上的双重提升。

该技术的实际应用效果显著。在降噪、去模糊等八项不同显微成像任务中，LargePNet相较于现有最先进的复原网络，峰值信噪比提升了0.5至2分贝，并且大图推理效率提高了4至20倍。依托这一技术，研究团队成功实现了长达30小时、分辨率为200纳米的活细胞亚细胞器动态成像，能够稳定捕捉细胞骨架的动态变化，并清晰呈现内质网、线粒体和微管三种细胞器在同一画面中的相互作用。

此外，研究团队还为LargePNet提供了一份“适用指南”。他们发现，当小图块与大视图的统计信息差异越大时，LargePNet的优势越明显。这意味着研究人员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、训练数据和模型进行了开源，供全球科学界免费使用。