研究人员介绍，点扫描成像系统受益于任意定义的像素大小，这是高分辨率细胞和组织成像中最广泛使用的工具之一。点扫描系统的分辨率、速度、样品保存和信噪比（SNR）难以同时优化。

研究人员发现，这些限制可以通过使用基于深度学习的在点扫描系统上获取的欠采样图像的超采样来解决，研究人员将其称为点扫描超分辨率（PSSR）成像。

研究人员设计了一个“crappifier”，通过计算降低高SNR、高像素分辨率的真实图像来模拟低SNR、低分辨率的对等物，来训练PSSR模型，从而可以还原现实世界中欠采样的图像。

对于高时空分辨率的荧光延时数据，研究人员开发了一种“多帧” PSSR方法，该方法使用相邻帧中的信息来改善模型预测。

PSSR有助于以其他方式无法实现的分辨率、速度和灵敏度进行点扫描图像采集。PSSR的所有培训数据、模型和代码均可在3DEM.org上公开获得。 

相关论文信息：

https://doi.org/10.1038/s41592-021-01080-z