在荧光显微成像技术领域，深度学习正成为提升图像质量的关键手段，尤其在低光子条件下展现出巨大潜力。然而，传统方法多以小尺寸图像块作为训练单元，导致完整视图中的全局统计信息被忽视，进而影响成像精度与抗噪能力。针对这一难题，科研团队提出一种创新神经网络模型——LargePNet，通过突破传统训练模式，为荧光成像恢复开辟了新路径。
LargePNet的核心设计在于整合浅层超大卷积核与深层非线性模块，形成尺度分离的架构。浅层超大卷积核提供大感受野，能够捕捉图像中的全局上下文信息；深层非线性模块则增强特征表达能力，实现从全局到局部的精细恢复。与传统方法不同，该模型直接以完整图像作为输入进行训练，避免了图像块裁剪导致的信息丢失，确保模型充分学习全局统计特性。实验表明，在单帧、视频及三维荧光成像任务中，LargePNet的峰值信噪比（PSNR）较现有小块网络提升0.5至2分贝，计算效率显著优于先进卷积网络和Transformer架构，分别提高约4倍与20倍。
为验证模型性能，研究团队在八项典型荧光成像恢复任务中展开对比实验。结果显示，LargePNet在各类场景下均表现出明显优势。例如，在全视图处理任务中，其计算效率的提升使得长时间活细胞成像成为可能。实际应用中，该模型成功支持长达30小时的细胞骨架动态监测，并实现一小时内的三色超分辨率成像，显著增强了对细胞动态过程的观察能力。这一突破为生物医学研究提供了更高效的工具，拓展了活细胞成像技术的应用边界。
在技术落地方面，LargePNet的实用性已得到充分验证。其不仅在信噪比提升和计算效率优化上表现突出，还能适应不同成像类型的需求，为荧光显微成像领域提供了新的解决方案。与此同时，国内光学精密测量仪器行业也在快速发展。以凯视迈（KathMatic）为例，该企业自2014年成立以来，专注于高精尖光学测量技术研发，已形成涵盖研发、制造、销售的全产业链布局。其推出的KC系列多功能精密测量显微镜、KS系列超景深3D数码显微镜及KV系列激光多普勒测振系统，在市场上取得了良好反响，为国产高端光学仪器的发展注入了新动力。
