编辑推荐：
在活细胞低光子成像中，SIM 图像因强噪声难获高质量。研究人员提出 TSZS-SIM 框架，融合时空频域混合重采样与深度学习重建。实验表明其在低 SNR 下噪声鲁棒性和超分辨率成像更优，适合长时活细胞成像。
在生命科学领域，对活细胞内动态细胞过程的光学成像一直是探索亚细胞结构与功能的关键手段。结构光照明显微镜（Structured Illumination Microscopy, SIM）凭借高时间分辨率、低光毒性和对荧光染料依赖少等优势，在动态活细胞成像中备受关注。它通过结构照明图案调制样本的空间频率成分，将超过截止频率的成分转移到低频范围，再经重建算法提取叠加，实现超分辨率成像。然而，在长时活细胞成像中，面临着成像速度、空间分辨率、光毒性和信息通量之间的权衡难题。为降低对样本的侵入性并最大化利用收集的光子，往往需要在数据采集时平衡信噪比（Signal-to-Noise Ratio, SNR）和时空分辨率。提高激发功率或延长曝光时间虽能提升空间分辨率和 SNR，但会导致光毒性破坏活细胞结构状态，长时间曝光还会引发光漂白，使荧光团永久淬灭，严重阻碍 SIM 对样本动态过程的快速和长期观察，尤其在低光子预算下，强噪声污染使获取高质量 SIM 图像极具挑战。
为解决图像清晰度与去噪性能间的权衡问题，研究人员开展了结构光照明显微镜图像的两阶段零样本去噪与增强研究。该研究提出了一种新颖的两阶段零样本去噪与增强框架（Two-Stage Zero-Shot Denoising and Enhancement Framework, TSZS-SIM），相关成果发表在《Digital Signal Processing》。
研究人员采用的主要关键技术方法包括：利用时空频域混合重采样策略，将 2D-SIM 的九张图像堆栈转换为两个子图像堆栈，每个子图像堆栈保留输入图像的原始尺寸，以此生成结构一致但独立含噪的图像对用于自监督学习；第一阶段使用轻量级卷积网络进行噪声抑制；第二阶段采用带有跳跃连接的编码器 - 解码器网络增强分辨率；还引入基于维纳（Wiener）的 SIM 预处理步骤，确保物理保真度，在重建过程中保留精细细节。
实验结果
为评估 TSZS-SIM 的可行性和定量性能，研究人员通过模拟 SIM 采样过程生成合成微管数据，在不同高斯 - 泊松噪声水平下模拟微管显微镜图像。结果表明，TSZS-SIM 在合成和真实 SIM 数据集上均优于最先进的零样本去噪方法和传统 SIM 重建技术，在极低 SNR 条件下实现了卓越的噪声鲁棒性和高保真超分辨率成像。
结论
TSZS-SIM 为低光子条件下的结构光照明显微镜提出了一种新的两阶段零样本去噪与增强框架。理论上，其建立了新的自监督学习范式，利用时空频域混合重采样生成结构一致但独立含噪的图像对，无需干净的地面真实参考即可进行稳健优化。实践中，提供了一种无伪影且计算高效的 SIM 图像恢复方法，非常适合光毒性最小的长期活细胞成像，为动态活细胞成像中低光子、长时程观测难题提供了有效解决方案，推动了超分辨率显微镜技术在生命科学研究中的应用与发展。
