🔬 optics

Improving Richardson--Lucy Deconvolution with Diffusion Priors for Fluorescence Microscopy

本文提出了一种新型荧光显微成像去卷积框架，该框架将基于评分的扩散先验集成到 Richardson–Lucy 优化过程中，以在低光子条件下有效抑制噪声放大并保留精细生物结构，从而克服了传统正则化方法的局限性。

原作者： Hao Chen, Scott S. Howard

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Hao Chen, Scott S. Howard

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过显微镜观察一个活细胞内微小而复杂的“城市”。但问题在于：你使用的“相机”非常陈旧且模糊（这是由物理定律中所谓的“衍射”造成的），而且它是在黑暗中进行拍摄的，因此图像充满了颗粒状的静电噪声（来自随机光子计数的噪声）。

这篇论文的目标就是修复这些模糊、多噪的图像，从而清晰地展现出这座城市的街道和建筑。

旧方法：猜想与验证

传统上，科学家使用一种称为 Richardson–Lucy (RL) 反卷积的方法。你可以把它想象成一个非常聪明的“猜想与检查”游戏。

工作原理： 你有一张模糊的照片。你知道你的相机是如何使物体变模糊的（即“点扩散函数”或 PSF）。RL 算法试图通过数学手段来逆转这种模糊。
问题所在： 如果照片太暗（低光照），算法就会开始“产生幻觉”。它试图过度锐化图像，以至于把颗粒状的静电噪声变成了虚假的、锯齿状的线条。这就像是试图将一张模糊的雾夜照片进行锐化，直到原本的浓雾看起来像是一片并不存在的细节丰富的森林。
旧有的补救措施： 科学家过去曾使用一种“平滑度”规则（如全变分法/Total Variation）来抑制噪声。但这就像是用重手去抹平一张照片：虽然它去除了噪声，但也抹掉了你真正想要看到的那些微小、精致的细节，比如细胞中纤细的丝状结构或微小的点。

新方法：“AI 艺术指导” + “物理校验”

作者 Hao Chen 和 Scott S. Howard 开发了一种名为 Diffusion-RL 的新系统。他们结合了两种强大的工具来解决这个问题：

“AI 艺术指导”（扩散先验）：
想象一位研究过数百万张高质量、完美细胞照片的艺术家。这位艺术家已经记住了健康的细胞应该是什么样子的——丝状结构如何连接、点是如何分布的，以及形状是如何契合的。这就是扩散模型 (Diffusion Model)。

当系统开始运行时，这位“艺术家”会根据它所学到的知识，提议一个干净且合理的细胞版本。它会说：“我认为这个细胞大概长这样。”

“物理校验”（RL 步骤）：
现在，请出旧的 RL 算法。它会观察“艺术家的建议”，并将其与你拍摄的实际模糊、多噪的照片进行对比。

它会询问：“这个建议是否符合我们探测到的实际光子数据？”
如果艺术家的猜测出的结构与光数据不符，RL 步骤就会说：“不对，根据我们的测量结果，那不是真的，”并据此调整图像。
如果艺术家的猜测符合数据，但过于模糊，RL 步骤则会将其锐化。

神奇的循环：
他们不仅仅只做一次。他们运行一个循环：

AI 提出一个干净的结构。
物理校验 (RL) 对其进行微调，使其匹配真实的、多噪的数据。
AI 查看经过微调后的版本，并再次进行精细化处理。
他们反复进行这种来回迭代。

为什么这更好

不再产生虚假噪声： 因为 AI 知道真实的细胞长什么样，它不会被锯齿状的静电噪声所欺骗。它知道噪声中的一条锯齿线并不是真实的细胞丝状结构。
保留微小细节： 与那种会抹掉一切的旧有“平滑度”规则不同，AI 知道细胞拥有精细、脆弱的丝状结构。因为它以前见过这些结构，所以它能保留这些细节。
在黑暗中工作： 这种方法在光照极暗（低光子计数）的情况下表现最为出色。在这种条件下，原始数据太弱，无法靠自身说明真相。AI 根据生物学知识填补空白，而物理校验则确保这些猜测不会偏离现实。

“不确定性”功能

论文还提到了一件很酷的事情：由于 AI 在开始时带有一定的随机性，如果你对同一张模糊照片进行多次处理，你会得到略有不同的结果。

稳定的部分： 那些明显的、大的结构（如细胞主体）在每次运行中都保持不变。
不确定的部分： 在照片极其嘈杂、数据非常微弱的区域，结果可能会发生轻微变化。
益处： 这不是一个 Bug，而是一个特性。它告诉科学家：“我对这个部分的细胞非常有信心，但这个微小的、模糊的区域很难看清，所以这里有几种它可能的样子。”

总结

这篇论文介绍了一种方法，它利用训练好的 AI 来教导反卷积算法真实的细胞应该是怎样的，同时保留一个基于物理的校验，以确保结果符合实际的光学数据。这使得科学家即使在显微镜面临低光照和模糊挑战的情况下，也能看到清晰、详细的细胞图像，而不会凭空捏造细节或抹杀真相。

技术摘要：利用扩散先验改进荧光显微成像中的 Richardson–Lucy 反卷积

问题陈述

荧光显微成像对于可视化生物系统中的标记分子至关重要，然而其图像形成过程从根本上受限于衍射和泊松光子散粒噪声。经典的 Richardson–Lucy (RL) 反卷积试图通过在物理前向模型下最大化泊松对数似然来恢复原始荧光信号。然而，这是一个病态反问题，特别是在低光子量级下。若缺乏额外的约束，迭代式的 RL 更新会放大噪声并产生高频伪影，同时细微的生物结构（如微弱的丝状结构或斑点）可能会因光学退化而丢失。

传统的正则化方法（如全变分，Total Variation, TV）通过强制空间平滑性来稳定解。虽然 TV 正则化在抑制噪声方面有效，但往往会引入过度平滑现象，从而抑制微小的亚细胞细节，并且需要在不同的成像条件下进行精细的超参数调优。此外，现有的深度学习方法通常依赖于针对特定显微镜配置或样本类型的配对数据进行监督训练，这限制了它们的泛化能力。目前仍需要一种既能提供稳健的结构引导，又不牺牲物理一致性（即保持泊松测量模型）且能跨多种生物样本泛化的方法。

方法论

作者提出了 Diffusion-RL，这是一个解耦的反问题框架，它将基于评分的扩散先验集成到 RL 优化循环中。其核心创新在于将生物形态的学习与测量一致性的强制执行进行了分离。

1. 解耦框架

该框架在两个不同的组件之间交替进行：

扩散先验（结构引导）： 一个无条件的阐明扩散模型 (Elucidating Diffusion Model, EDM) 在多样化的荧光显微图像库（包括共聚焦、宽场和双光子模态）上进行训练。该模型学习了重复出现的生物结构（例如细胞形态、丝状网络）的流形，而无需受特定显微镜参数的约束。在推理过程中，扩散模型从学习到的分布中提出一个结构估计值 $\hat{x}_0$ 。
RL 数据一致性（物理约束）： 所提出的结构估计值通过经典的 RL 更新规则进行细化。这一步利用泊松噪声模型，强制使图像与测得的光子计数 ( $y$ ) 和已知的点扩散函数 (PSF, $H$ ) 保持一致。RL 更新作为一个模块化的数据一致性算子，修正扩散估计值以使其符合物理测量结果。

2. 算法流程

重建过程遵循带有内部细化循环的反向扩散轨迹：

初始化： 在每个扩散步骤 $t$ ，扰动状态 $x_t$ 通过 Tweedie 去噪公式映射到干净的结构估计值 $\bar{x}^0_t$ 。
内部 RL 循环： 该干净的估计值作为 $K$ 次 RL 更新（公式 2）的初始化，用于细化图像以满足泊松似然 $p(y|x)$ 。
重加噪： RL 细化后的估计值 $\hat{x}^0_{t,RL}$ 沿着噪声调度进行重加噪，生成 $\hat{x}_{t,RL}$ 。
传播： 重加噪后的、具有数据一致性的状态被传递到下一个扩散步骤。当噪声水平足够低时，使用 ODE 求解器来恢复细微尺度细节。

3. 训练与实现

基础扩散模型使用 U-Net 架构在来自四个公共仓库（SR-Caco-2, FMD, Neuronal Cells, RxRx1）的 125,464 个图像块上进行无条件训练。针对特定样本的验证，该模型在 BPAE 共聚焦数据集上进行了微调。至关重要的是，同一个预训练先验可以部署在不同的 PSF 和光子量级下而无需重新训练，因为显微镜特有的物理特性仅在 RL 推理步骤中引入。

核心贡献

将学习到的先验与物理模型集成： 本文介绍了一种结合基于评分的扩散模型的分布拟合能力与泊松反卷积的严谨物理约束的方法。
解耦推理策略： 通过将先验学习与测量一致性分离，该框架允许将单一的、具有泛化能力的生物先验应用于多种不同的光学配置（不同的 PSF、光子计数和模态），而无需重新训练。
保留微弱结构： 该方法专门解决了噪声抑制与细节保留之间的权衡问题，旨在恢复在 TV 正则化或未正则化的 RL 方法中通常会丢失的微弱、细微结构。
不确定性量化： 扩散采样器的随机性质允许从同一测量值生成多个可能的重建结果，从而为低光子量级下的重建置信度提供了视觉度量。

结果

该框架在包括 BPAE 和 HUVEC 细胞中的 F-actin、线粒体和细胞核在内的多种生物样本上进行了验证，涵盖了不同的光子预算（ $\alpha = 5$ 至 $255$）和 PSF 宽度。

定量性能： 在低光子量级（ $\alpha = 5, 10$ ）下，Diffusion-RL 在峰值信噪比 (PSNR) 和结构相似性指数 (SSIM) 方面显著优于标准 RL 和 TV-RL。例如，在 $\alpha=5$ 且高斯 PSF ( $\sigma=3$ ) 的情况下，Diffusion-RL 的 PSNR 为 $19.94 \pm 1.96$ dB，而 RL 为 $14.86 \pm 2.14$ dB，TV-RL 为 $15.72 \pm 2.10$ dB。
定性改进： 定性比较表明，Diffusion-RL 能更好地保留丝状结构和斑点细节。与倾向于平滑掉微弱特征的 TV-RL 不同，Diffusion-RL 在避免了典型迭代 RL 中常见的噪声放大现象的同时，维持了连贯的细胞组织和局部纹理。
对 PSF 变化的鲁棒性： 该方法即使在更宽的 PSF ( $\sigma=5$ ) 和模拟真实的共聚焦 PSF 下也能保持卓越的性能，表明学习到的先验有效地补偿了增加的光学退化。
多样性与不确定性： 从不同的随机初始化进行多次重建采样显示，虽然主要的细胞结构保持稳定（由 RL 固定），但在低对比度区域会出现变化。这种行为反映了反问题的内在不确定性，而非不受控制的幻觉。

重要性与主张

本文声称 Diffusion-RL 为荧光显微成像提供了显著的进步，特别是在受限于光致漂白、光毒性或采集速度的测量受限场景中。

模块化： 与需要针对特定显微镜配置进行配对训练数据的监督式深度学习方法（如 CARE, 3D-RCAN）不同，Diffusion-RL 使用无条件先验，可以在推理过程中与任何已知的 PSF 相结合。这种模块化降低了数据负担并增强了泛化能力。
稳定性： 该框架为经典的解卷积提供了一个稳定的替代方案，防止了在试图从噪声数据中恢复细节时出现的噪声放大问题。
物理保真度： 通过在 RL 循环中保留显式的泊松似然和 PSF 约束，该方法确保了重建结果与测量数据保持物理一致，避免了纯生成式方法可能产生的“幻觉”结构。

作者得出结论，Diffusion-RL 通过利用学习到的荧光形态学，有效地强化了经典的泊松反卷积，为在挑战性的成像条件下恢复精细生物结构提供了稳健的解决方案。