北京大学未来技术学院教授席鹏及其团队近期研发出一种名为LargePNet的新型AI模型，有效解决了当前AI辅助荧光成像中“管中窥豹”的难题。该模型使AI能够“通观全局”后再进行图像复原，从而实现更清晰、更全面的活细胞成像。

席鹏解释说，传统显微成像在追求清晰度时常需要高强度光照，这会损伤活细胞并限制长时间观测。深度学习技术虽能通过算法从低光照、模糊图像中生成高清画面，但现有AI模型大多采用将大于512×512像素的图像分割成小块进行训练的方式。这种方法如同让AI通过“碎照片”学习摄影，信息量极为有限，尤其对于荧光成像而言，关键区分结构与噪声的信息往往蕴含在宏观关联中。

席鹏进一步指出，自然图像的丰富内容使其适合分块训练，但荧光成像中，细胞器在小视野下常呈现重复的细线结构。AI若只见过碎片，就无法理解如微管蛋白纤维贯穿整张图像的长程关联，导致在处理完整大图时保真度和抗噪性不足。

为克服这一挑战，席鹏团队提出了LargePNet。其核心创新在于直接使用大于512×512像素的大视野图像训练AI，使模型在训练阶段就能完整学习细胞结构的上下文关联和全局统计信息。为解决直接处理大图带来的“感受野”不足和显存占用过大的问题，LargePNet巧妙融合了全局“骨架”与局部“细节”，实现了既全面又清晰的成像效果。

该技术的效果显著。在降噪、去模糊等八项典型任务中，LargePNet相较现有先进模型，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。团队成功利用此技术实现了长达30小时、分辨率200纳米的活细胞亚细胞器动态成像，清晰捕捉了细胞骨架的动态变化，并首次在同一画面中呈现了内质网、线粒体和微管三种细胞器的相互作用。

更重要的是，该团队还为LargePNet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的优势越明显。这意味着研究者可以根据自身数据的特点，判断何时采用这套“大局观”模型更为合适。目前，所有Python源码、训练数据和模型均已开源，供全球研究者免费使用。