北京大学未来技术学院席鹏教授的团队成功克服了当前人工智能辅助荧光成像领域的一大挑战。他们开发出一种名为LargePNet的通用型荧光成像复原网络，使AI能够全面理解图像后再进行处理，解决了“管中窥豹”的局限性。

席鹏教授解释说，传统显微镜观察活细胞时，为了获得清晰图像需要高强度光照，这会对细胞造成损伤，限制了长时间观测。近年来，深度学习技术能够从低光照、模糊的图像中重建高分辨率画面，大大降低了光照需求，延长了观测时间。然而，以往的AI模型大多采用类似自然图像的处理方式，将大于512×512像素的大图分割成若干小块（如64×64或128×128像素）进行训练。这种方法就像让AI通过“拼凑碎片”来学习摄影，每个小块包含的信息量有限。

席鹏教授进一步指出，自然图像内容丰富，不同小块之间差异显著，适合进行分块训练。但荧光成像不同，当使用小视野观察时，荧光染料特异性标记的细胞器往往呈现出重复的细线结构。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。经过“碎照片”训练的AI，在处理完整大图时，由于缺乏全局认知，常常导致复原图像的保真度不足且抗噪能力较差，因为它从未学习过“整只豹子”的形态。他强调，荧光图像中，大视野范围内的生物结构之间存在长程关联，例如一根微管蛋白纤维可能横跨整个图像。当AI模型仅接触过图像碎片，就无法理解这种全局结构。

该团队的创新之处在于提出了一种全新的通用型荧光成像复原网络LargePNet。其核心理念是直接使用大于512×512像素的大视野图像来训练AI，使模型在训练阶段就能完整地学习细胞结构的上下文关联和全局统计信息，不再进行分块处理。然而，直接将大图输入传统神经网络会遇到两个主要挑战：一是如何建立足够大的“感受野”让AI理解全局结构；二是如何控制大视野图像的计算量，避免GPU内存溢出。为此，团队构建了LargePNet，一个能够融合全局“骨架”与局部“细节”的高效大视野通用型网络，实现了既能全面观察又能清晰成像。

这项技术的应用效果十分显著。在涉及不同显微模态的降噪和去模糊等八项典型任务中，LargePNet相比当前最先进的复原网络，峰值信噪比提升了0.5至2分贝，大图推理效率则提高了4至20倍。依托该技术，团队成功实现了长达30小时、分辨率达到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。此外，他们还能够清晰地呈现内质网、线粒体和微管这三种细胞器在同一画面中的相互作用，就像在观看一场精彩的足球世界杯比赛中的复杂战术配合。

更重要的是，该团队还提供了“适用范围说明书”。他们发现，当小图块与大视图的统计信息偏差越大时，LargePNet相较于传统小图训练网络展现出的复原优势就越明显。这意味着研究人员可以根据自身数据的特点，判断何时采用这套具备“大局观”的模型最为合适。目前，该团队已将全部Python源代码、训练数据和模型进行了开源，供全球同行免费使用。