Implicit Neural Image Field for Biological Microscopy Image Compression

生物显微成像技术的快速创新导致图像变得更大，给数据存储带来了压力，也妨碍了有效的共享、管理和可视化。这就需要开发高效的压缩解决方案。传统的编解码器方法难以适应各种生物成像数据，并经常遭受次优的压缩。在这项研究中，我们提出了一种基于隐式神经表示（INR）的自适应压缩工作流。这种方法允许应用特定的压缩目标，能够压缩任何形状和任意像素解压缩的图像。我们在来自实际应用的广泛显微镜图像上展示了我们的工作流，不仅实现了高度可控的压缩比（例如512倍），而且保留了下游分析所需的详细信息。

论文旨在解决生物显微镜成像中大图像的数据存储和共享问题，提出了一种基于Implicit Neural Representation (INR)的自适应压缩工作流。

论文提出的基于INR的自适应压缩工作流能够实现任意形状图像的高效压缩和像素级解压缩，并且能够实现应用特定的压缩目标。

论文使用了真实应用中的多种显微镜图像进行实验，证明了该工作流能够实现高效压缩比和保留关键信息。论文还提供了开源代码。

最近相关的研究包括：1. 'Deep learning for microscopy image analysis: a survey'；2. 'Microscopy image compression using convolutional neural networks'；3. 'A review of deep learning in the study of materials: models, applications and future directions'。