北京大学未来技术学院教授席鹏领导的团队，成功克服了AI辅助荧光成像领域的一个关键挑战，即“管中窥豹”的局限性。他们开发了一个名为LargePNet的大视野通用型荧光成像复原网络，使AI能够进行全局理解后再进行图像复原。

席鹏教授解释说，传统显微成像面临一个两难：高光照能看清细节，但会损害活细胞，限制了长时间观测。近年来，深度学习技术通过从低光照模糊图像中生成高清画面，显著降低了光照需求，延长了观测时间。然而，现有AI模型大多沿用处理自然图像的方法，将大于512×512像素的大图分割成小块（如64×64或128×128像素）进行训练。这种方式如同让AI通过“碎片照片”学习摄影，每块图像包含的信息量极其有限。

席鹏进一步阐述，自然图像内容丰富，不同小块之间差异明显，适合分割训练。但荧光成像不同，荧光染料特异性标记的细胞器在小视野下常呈现重复的细微结构。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。使用“碎图”训练的AI，在处理完整大图时，由于缺乏全局认知，往往导致复原精度不足且抗噪能力较差，因为它并未学习过“整体”的形态。席鹏指出，荧光图像中，生物结构在大视野范围内存在长程关联，例如一根微管蛋白纤维可能贯穿整个图像。当AI模型只见过图像的碎片，就丧失了理解这种全局结构的能力。

该团队的解决方案别出心裁，提出了一种全新的通用型荧光成像复原网络LargePNet。其核心理念非常简洁：不再分割图像，而是直接使用大于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。然而，直接将大图像输入传统神经网络会面临两个挑战：一是需要建立足够大的“感受野”来让AI理解全局结构；二是需要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这一高效的大视野通用型荧光成像复原网络，它能够融合全局“骨架”与局部“细节”，实现既能全面观察又能清晰成像。

这一技术的效果显著。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，大图推理效率提高了4至20倍。基于该技术，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，稳定捕捉了细胞骨架的动态变化。此外，他们还使得内质网、线粒体和微管这三种细胞器在同一画面中的相互作用得以清晰呈现。

更重要的是，该团队还提供了“适用范围说明”。他们发现，当小图块与大视图的统计信息差异越大时，LargePNet相比于传统小图训练网络所展现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，判断何时更适合使用这套具备“大局观”的模型。席鹏教授表示，他们已将全部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。