跳到主要内容
检索

# U-Net

27 篇关联报道

订阅更新
  1. bioRxiv

    冷冻FIB-SEM图像不再被充电伪影淹没:两阶段修复让常规电镜分割模型直接读出膜结构

    冷冻聚焦离子束扫描电镜能在近天然含水状态下对细胞做三维成像,但充电伪影、噪声和弱膜对比度长期妨碍结构判读。一种采集后处理的两阶段深度学习流程把冷冻图像向常规室温FIB-SEM图像域转换:第一阶段逐切片抑制大尺度伪影,第二阶段借相邻五张切片增强膜对比度。在164张留出合成测试图上,第一阶段相对退化输入的平均配对PSNR提升16.74 dB;四个实验数据集上可见伪影减少、膜特征更清晰,且预训练的CebraNET膜预测器无需重训即可直接用于处理后的体数据。

  2. arXiv

    ChlCast 把叶绿素a预报做到约4公里:对比哥白尼业务系统,卫星参考下误差降七成

    ChlCast 是一个由观测数据驱动的深度学习模型,可在南纬60度至北纬60度之间以约4公里分辨率给出未来10天的逐日表层叶绿素a浓度预报。此前业务化的哥白尼全球海洋生物地球化学预报系统以0.25度网格运行,细尺度结构在粗网格上被削弱。以卫星L4叶绿素a场为参考时,ChlCast 的平均绝对误差和均方根误差分别比哥白尼低70.74%和47.63%;以独立的BGC-Argo现场观测为参考时,两项误差分别低35.03%和13.07%。

  3. arXiv

    云层三维结构不再等半小时:HybridCT把断层重建压到3.5秒,误差也更低

    低层云的三维内部结构长期缺少大范围观测,物理断层反演要反复做三维辐射传输计算,代价高到难以处理大规模真实云场。HybridCT把反演拆成两步:先用U-Net从多角度被动辐射亮度估计云光学厚度投影,再用SART代数重建显式解出三维消光场。在合成低层云场景上,它重建消光的RMSE为13.3 km⁻¹、耗时3.5秒,物理基线AT3D为22.7 km⁻¹、约30分钟。

  4. arXiv

    JAX-WAVE把逆波设计变成一次前向预测:5毫秒内误差比FISTA低45%

    在非均匀介质中,要让波场在指定时刻呈现给定形状,需要反推初始压力分布,而此前每个目标、每种介质都要重新做一次数值反演。JAX-WAVE 训练一个共享神经网络,直接由目标终端场和已知波速图预测有界初始压力,训练信号来自可微的时域有限差分解算器,不需要预先优化好的控制标签。在独立的确认集上,三个训练模型对未见介质分别取得几何目标 25.24%、可达目标 4.77% 的误差;在 5 毫秒中位在线预算下,该映射把非均匀基准上的平均误差相对加速数值反演降低 45%。

  5. bioRxiv

    冷冻电镜图不再只给形状:cryoID2把序列与结构一起比对,从166个蛋白里认出PfA-M17

    冷冻电镜能重建出密度图,却常常说不清图里是哪个分子;面对质谱或基因组给出的成百上千条候选序列,人工比对成了瓶颈。cryoID2用三个三维U-Net从图中预测结构类别、关键原子位置和简化后的残基或核苷酸类型,据此生成短序列片段去排序候选,再把候选对应的PDB或AlphaFold模型刚体拟合回密度图并按吻合度排序。在一个166条质谱候选池中,它把PF3D7_1446200/PfA-M17排在首位,并选出PDB 4ZX8为最佳结构模型;RNA一侧则在基因组非编码候选池中把含Ca-raiA的区间排到第四,最终由结构评估把PDB 9E73排到第一。

  6. 氨排放反演不必再跑60次化学模式:EnsAI用U-Net一次生成集合,快3300倍

    氨排放反演依赖集合来刻画随气象变化的误差协方差,但每生成一次集合都要反复运行GEM-MACH化学模式。EnsAI改用U-Net卷积网络,从氨排放扰动和温度、风场直接映射出地表氨浓度扰动,生成一周模拟数据每个成员只需7秒,而GEM-MACH在720个计算节点上需约6.5小时。用EnsAI集合做排放反演,全年总排放比GEM-MACH集合反演低2.6%,月度总量差异均在10%以内。

  7. 医学影像分类的解释图不再靠梯度猜:无监督训练让冻结分类器自己检验掩码

    医学影像分类的卷积网络解释图有了新的训练方式:SalientNet不依赖人工标注的显著图,而是要求生成的掩码保留足够信息,让冻结的分类器在受控容差内复现原预测。在BreakHis、Brain MRI ND5和FracAtlas三个数据集上,它相对Grad-CAM、Grad-CAM++和LIME在多数数据集与网络组合中取得更高的忠实度(Win %)和更低的预测下降(Drop %),并在FracAtlas上与医生标注的骨折区域呈现较强空间相关,ResNet-18的平均真值活跃比例最高达0.96。

  8. npj Digital Medicine

    睡眠分期不再挑电极:任意脑电眼电组合都能打分,还能把时间分辨率推到秒级

    睡眠分期长期依赖固定电极组合和30秒一帧的人工标注,跨中心、跨设备的研究难以统一。AnySleep用通道注意力把任意数量的脑电和眼电通道动态融合,在28个数据集、20589份整夜记录上训练与验证,30秒分期性能达到或略超U-Sleep,缺眼电或只剩单通道时仍保持较高水平。把输出时间分辨率提高到秒级后,模型预测的清醒片段与专家标注的微觉醒重叠比例从30秒分期的7.7%升到约2秒时的57.7%。

  9. researchsquare.com

    X光超分辨不再借自然图像的眼睛:换掉VGG感知损失,ESRGAN的PSNR从22.21升到34.04 dB

    医学X光超分辨长期沿用为自然图像设计的VGG感知损失,重建出的结构容易偏离解剖形态。一种名为USELoss的域感知损失把VGG特征换成轻量U-Net编码器的多尺度特征,并加入Sobel边缘约束,在ESRGAN与HAT两类架构上统一使用同一套损失权重。在PadChest胸片测试集上,ESRGAN的PSNR由22.21 dB升至34.04 dB,SSIM由0.5545升至0.9160,边缘误差约降46%。

  10. researchsquare.com

    原子电子断层扫描补上缺失楔形:自监督网络把三维原子定位误差从21皮米降到14皮米

    有限角度原子电子断层扫描因样品无法大角度倾斜而留下缺失楔形,深度方向分辨率下降、原子定位变差。RESIRE-Net只用输入数据本身,把旋转后的体积按实验倾角投影再用RESIRE重建,生成训练对来训练三维U-Net,迭代逼近缺失楔形的逆算子。在多层模拟的金属玻璃与中熵合金纳米颗粒上,三维位置均方根偏差分别从21皮米降到14皮米、从24皮米降到15皮米,原子回收与元素分类同步改善。