LFM dataset

本文介绍了一个名为LFM dataset的数据集，该数据集由清华大学创建，包含1618个高分辨率焦栈的强度体积，通过荧光显微镜获得。数据集利用2pSAM原理生成相应的光场图像，用于定量评估。该数据集适用于生物医学成像领域，特别是在需要高时空分辨率的动态生物过程研究中，能够帮助提高重建质量并减少噪声影响。

This paper presents a dataset named LFM Dataset, developed by Tsinghua University. It encompasses 1618 high-resolution intensity volumes of focus stacks obtained through fluorescence microscopy. The dataset generates corresponding light field images based on the 2pSAM principle for quantitative evaluation. This dataset is suited for the field of biomedical imaging, particularly for studies of dynamic biological processes that require high spatiotemporal resolution, and it can help improve reconstruction quality and reduce noise interference.

搜集汇总

数据集介绍

构建方式

LFM数据集构建采用了先进的荧光显微镜技术，通过2pSAM系统获取高分辨率的三维强度体积数据。具体而言，研究人员采集了1618个高信噪比的512×512×39分辨率三维强度体积，并基于波光学原理生成对应的点扩散函数（PSF）。通过物理前向投影方法，将这些三维数据转化为512×512×13分辨率的模拟光场图像。为模拟真实成像环境，研究团队还在光场图像中引入了显著的高斯噪声。这种构建方式不仅确保了数据的生物真实性，还为算法在噪声环境下的性能评估提供了可靠基准。

使用方法

该数据集主要用于评估光场显微镜三维重建算法的性能，特别是针对噪声环境下的重建质量。使用时需将光场图像作为输入，通过重建算法生成三维强度体积，并与数据集提供的真实体积进行定量比较。典型的评价指标包括PSNR和SSIM，使用前需按照论文建议对背景噪声进行扣除。对于监督学习方法，可采用干净的三维数据作为监督信号；而对无监督方法，则可利用光场图像之间的视图一致性进行训练。数据集还支持对算法计算效率的评估，为实际生物成像应用提供参考依据。

背景与挑战

背景概述

LFM数据集由清华大学和上海人工智能实验室的研究团队于2025年创建，旨在解决光场显微镜（LFM）在三维荧光成像中的关键挑战。光场显微镜因其能够快速捕获大规模三维荧光图像而备受关注，但现有重建算法对传感器噪声高度敏感，且依赖难以获取的标注数据进行训练。该数据集包含1618组高分辨率光场图像及其对应的三维强度体积，为光场显微镜的三维重建与去噪研究提供了重要基准。通过结合物理模型与深度学习，该数据集推动了无监督联合去噪与三维重建方法的发展，为生物医学成像领域带来了新的技术突破。

当前挑战

LFM数据集面临的核心挑战体现在两个维度：在领域问题层面，光场显微镜成像易受低光照条件下传感器噪声的干扰，传统重建算法难以在保持高时空分辨率的同时有效抑制噪声；在构建过程层面，获取高质量的真实标注数据存在显著困难，而基于物理模型的合成数据又需精确模拟复杂的光学成像过程。具体表现为：1) 现有监督学习方法因缺乏真实标注数据而泛化能力有限；2) 噪声像素的空间独立性使得传统去噪方法效果不佳；3) 不同视角间强度变化的差异性增加了特征对齐的难度；4) 波光学点扩散函数的精确建模对重建精度具有决定性影响。

常用场景

经典使用场景

LFM数据集在光场显微镜（LFM）领域中被广泛用于三维荧光图像的降噪与重建研究。该数据集通过捕获具有空间和角度信息的样本图像，为研究者提供了丰富的实验材料，特别是在动态生物过程的深度和时间分辨率分析中表现出色。其经典使用场景包括利用V2V3D框架进行无监督的联合降噪与三维重建，显著提升了图像质量和计算效率。

解决学术问题

LFM数据集解决了光场显微镜重建算法对传感器噪声高度敏感以及缺乏真实标注数据的问题。通过提供包含光场图像及其对应三维强度体积的数据，该数据集支持了无监督学习框架的开发，如V2V3D，能够在无需地面真实数据的情况下实现高质量的三维重建。此外，数据集还推动了波光学特征对齐技术的发展，有效提升了高频细节的恢复能力。

实际应用

在实际应用中，LFM数据集为生物医学研究提供了强大的工具。例如，在活细胞成像中，该数据集支持在低光条件下进行高分辨率的三维成像，减少了光毒性对样本的损害。此外，数据集还被用于开发实时成像系统，为神经科学和细胞生物学研究提供了重要的技术支持。

数据集最近研究

最新研究方向

近年来，LFM数据集在光场显微镜（Light Field Microscopy, LFM）领域的研究方向主要集中在无监督联合去噪与三维重建的框架优化上。随着生物医学成像对高分辨率、低噪声三维动态捕捉需求的增长，传统基于Richardson-Lucy反卷积（RLD）的方法因计算效率低下而受限，而监督学习方法则受限于难以获取的标注数据。V2V3D框架通过引入视图间联合优化的无监督范式，将光场图像划分为非重叠子集，利用噪声独立性假设实现噪声2噪声（N2N）去噪，同时结合波光学特征对齐技术，显著提升了高频细节的恢复能力。这一创新不仅解决了低光条件下荧光显微成像的噪声敏感性问题，还为实时动态生物过程的三维观测提供了新思路。相关研究进一步拓展至宏观场景验证，表明该框架在跨尺度成像中具备通用性。数据集包含1618组高分辨率光场图像与三维强度体积数据，为算法性能评估提供了标准化基准，推动了计算显微成像领域从硬件驱动到算法驱动的范式转变。

相关研究论文

• V2V3D: View-to-View Denoised 3D Reconstruction for Light-Field Microscopy

  清华大学, 中国 · 2025年