OpticalNet

OpticalNet是一个超越衍射极限的光学成像数据集和基准。

OpticalNet is an optical imaging dataset and benchmark beyond the diffraction limit.

原始信息汇总

OpticalNet 数据集概述

基本信息

• 数据集名称: OpticalNet: An Optical Imaging Dataset and Benchmark Beyond the Diffraction Limit
• 会议: CVPR 2025
• 作者: Benquan Wang, Ruyi An, Jin-Kyu So, Sergei Kurdiumov, Eng Aik Chan, Giorgio Adamo, Yuhan Peng, Yewen Li, Bo An
• 项目页面: https://Deep-See.github.io/OpticalNet
• 论文链接: https://cvpr.thecvf.com/virtual/2025/poster/34146

数据集内容

• 数据类型: 光学成像数据（超出衍射极限）
• 数据用途: 语义分割等任务的基准测试
• 托管平台: Hugging Face Datasets

下载方式

python from datasets import load_dataset dataset = load_dataset("Deep-See/OpticalNet")

训练环境配置

代码与环境

bash git clone https://github.com/Deep-See/OpticalNet.git cd OpticalNet conda create -n opticalnet python=3.9 -y conda activate opticalnet conda install -y -c pytorch pytorch torchvision torchaudio cudatoolkit=12.1 pip install -r requirements.txt pip install --editable .

训练命令

仿真数据集

bash python3 scripts/simulation_run.py

实验数据集

bash python3 scripts/run.py --data_dir <> --model <MODEL_NAME>

仿真环境配置

bash git clone https://github.com/Deep-See/OpticalNet.git cd OpticalNet conda create -n optical-sim python=3.9 -y conda activate optical-sim pip install -r simulation_requirements.txt pip install --editable .

引用

bibtex @inproceedings{opticalnet, title={{OpticalNet}: An Optical Imaging Dataset and Benchmark Beyond the Diffraction Limit}, author={Wang, Benquan and An, Ruyi, and So, Jin-Kyu and Kurdiumov, Sergei and Chan, Eng Aik and Adamo, Giorgio and Peng, Yuhan and Li, Yewen and An, Bo}, booktitle={CVPR}, year={2025} }

搜集汇总

数据集介绍

构建方式

在光学成像领域，衍射极限一直是制约分辨率提升的关键因素。OpticalNet数据集通过精心设计的实验和仿真相结合的方式构建，研究人员利用高精度光学设备采集真实场景数据，同时基于物理模型生成仿真数据，确保数据在亚波长尺度上的准确性。数据集构建过程中采用了严格的质量控制流程，包括噪声消除、分辨率验证等步骤，为超分辨率光学成像研究提供了可靠基准。

特点

OpticalNet作为突破衍射极限的光学成像数据集，其显著特点在于同时包含实验测量和数值仿真两类数据。数据集涵盖了多种典型样本的高分辨率图像，每幅图像均配有精确的纳米级标定信息。特别值得注意的是，该数据集针对不同光学系统配置提供了对应的点扩散函数数据，为点扩散函数反卷积等算法研究创造了理想条件。数据标注采用专业图像处理软件完成，确保了语义分割标签的精确性。

使用方法

该数据集通过Hugging Face平台提供便捷的访问方式，用户可直接使用datasets库加载。研究人员可通过提供的训练脚本快速开展模型训练，支持对仿真数据和实验数据的分别处理。数据集使用需要配置特定Python环境，建议按照官方提供的conda环境配置步骤进行操作。为便于复现研究结果，代码库中包含完整的训练流程和超参数设置，用户可根据需要修改模型架构或调整实验参数。

背景与挑战

背景概述

光学成像技术在生物医学、材料科学等领域具有广泛应用，但衍射极限的存在限制了成像分辨率的进一步提升。OpticalNet数据集由Deep-See团队于2025年发布，旨在为超衍射极限光学成像研究提供标准化基准。该数据集由Benquan Wang、Bo An等学者主导构建，收录了仿真与实验数据，并在CVPR 2025会议上正式发布。作为首个专注于突破衍射极限的光学成像数据集，其通过融合多模态成像数据和深度学习框架，为纳米级分辨率重建算法提供了关键训练资源，推动了计算显微成像领域的发展。

当前挑战

在解决超衍射极限成像问题时，传统方法面临光子噪声干扰、点扩散函数建模不准确等核心挑战。OpticalNet构建过程中需克服三大技术难点：多尺度光学畸变的精确仿真需建立复杂的电磁场传播模型；实验数据采集涉及高精度纳米定位与荧光标记的协同控制；仿真与实测数据间的域差异要求设计特殊的特征对齐策略。这些挑战使得数据集在保持物理真实性与算法普适性之间需要精细权衡。

常用场景

经典使用场景

在光学成像领域，突破衍射极限一直是研究者们追求的目标。OpticalNet数据集通过提供高质量的仿真和实验数据，为超分辨率光学成像算法的开发与评估奠定了坚实基础。该数据集特别适用于训练和验证深度学习模型在复杂光学环境下的性能表现，成为该领域研究者不可或缺的基准测试平台。

实际应用

在实际应用层面，OpticalNet数据集推动了生物医学成像和材料科学的进步。基于该数据集开发的算法已成功应用于活细胞超微结构观测和半导体器件纳米级缺陷检测。这些应用显著提升了科研人员观察亚细胞结构和材料表面特性的能力，为精准医疗和先进制造提供了新的技术手段。

衍生相关工作

围绕OpticalNet数据集已衍生出多项创新性研究，包括基于物理先验的深度学习框架和混合模态成像算法。这些工作显著推进了计算光学成像领域的发展，其中部分成果已在CVPR等顶级会议发表。数据集的开源特性更促进了跨学科合作，催生出若干将光学原理与人工智能深度融合的新方法。