SR-CACO-2: A Dataset for Confocal Fluorescence Microscopy Image Super-Resolution

扫描共焦荧光显微镜是研究生物过程最常用的成像技术之一。扫描共焦显微镜可以从三维样本中捕获高质量的图像，但是由于强光照射引起的标本光漂白和光毒性等已知限制，其在某些应用中的使用受到限制，特别是对于活细胞的成像。通过改变成像参数以减少光照可以减轻细胞损伤，但往往会牺牲图像质量。单图像超分辨率（SISR）的机器/深度学习方法可以将低分辨率（LR）图像放大到高分辨率（HR）图像，从而恢复图像质量。这些SISR方法在照片逼真的图像上已经成功应用，部分原因是公开可用数据的丰富性。相比之下，公开可用数据的缺乏在扫描共焦显微镜中部分限制了它们的应用和成功。本文介绍了一个大型扫描共焦显微镜数据集SR-CACO-2，其中包括标记了三种不同荧光标记的低分辨率和高分辨率图像对。它允许在三个不同的放大级别（X2、X4、X8）上评估SISR方法的性能。SR-CACO-2包含人类上皮细胞系Caco-2（ATCC HTB-37），由22个平铺组成，已经转化为9,937个图像补丁以进行SISR方法的实验。鉴于新的SR-CACO-2数据集，我们还提供了15种代表主要SISR家族的最先进方法的基准结果。结果表明，这些方法在产生高分辨率纹理方面的成功有限，表明SR-CACO-2代表了一个具有挑战性的问题。我们的数据集、代码和预训练权重可在https://github.com/sbelharbi/sr-caco-2 上获得。

论文旨在解决扫描共聚焦显微镜图像的分辨率问题，通过单图像超分辨率方法提高图像质量。

论文提出了一个大规模的扫描共聚焦显微镜图像数据集SR-CACO-2，用于评估单图像超分辨率方法的性能，并提供了15种最新的超分辨率方法的基准结果。

SR-CACO-2数据集包含了低分辨率和高分辨率图像对，标记了三种不同荧光标记物，共有22个图块，共计9,937个图像补丁。实验结果表明，现有的单图像超分辨率方法在提高纹理分辨率方面存在一定局限性。研究者提供了数据集、代码和预训练权重。

最近的相关研究包括：1.《Deep Residual Learning for Image Super-Resolution》；2.《Image Super-Resolution via Deep Recursive Residual Network》；3.《Enhanced Deep Residual Networks for Single Image Super-Resolution》等。