AI Networks从基本显微镜生成超分辨率( 四 )

从模型推广到与训练结构不同的结构的能力 , 都有其局限性 。 当对核孔的图像进行测试时 , “输出本质上是一个巨大的神器 , 神经网络“试图通过这些核孔适合小细丝 , 因此图像中充满了细丝而不是这些八角形结构 。 ”

Broad Institute计算机科学家Allen Goodman指出 , 在推广到不同类型的图像时性能不佳是这种人工智能方法提高分辨率的常见缺点 。 他说 , 问题在于 , 在培训中 , 网络通常会“在他们正在处理的任何问题上”过时 。

在光谱的另一端 , 能够准确生成新样本类型的超分辨率图像的网络将真正实现该技术的民主化 , 因为该模型只需要使用真正的超分辨率图像进行一次训练 , 而不是针对每种类型重复进行一个研究小组希望研究的样本 。

Ozcan强调 , 他的论文中的信息是 , 最好将网络重新训练为新的样本类型 。 “但已经存在泛化 , ”他说 。 “你可以推动多远 - 这是我认为每个人都有的问题 。

推荐阅读