超分辨率（SR）显微镜已成为揭示活细胞复杂结构的关键技术[1]。三种主要的SR显微镜类型是刺激发射耗尽显微镜（STED）[2,3]、结构化照明显微镜（SIM）[4,5]和单分子定位显微镜（SMLM）[6],[7],[8]。SIM在时空分辨率方面优于其他SR方法[9]。此外，它需要较低的激发光强度，曝光时间短，光毒性小，特别适合实时动态观察活细胞[10],[11],[12]。近年来，研究人员利用各种SIM技术取得了许多重要发现。通过使用GI-SIM SR成像[13]，研究人员发现线粒体模拟可以通过内质网-线粒体相互作用部位开始的动态管状化过程进行传输，这对研究线粒体模拟在相关疾病和衰老中的作用具有重要意义[14]。Hessian-SIM具有快速成像内质网内移动囊泡或环状结构的独特能力，而不会产生运动伪影。它实现了88 nm的时空分辨率，并且以188 Hz的帧率高效运行[9]。Sparse-SIM是另一种值得注意的技术，其分辨率高达60 nm，帧率高达564 Hz，能够成功应对与复杂结构相关的成像挑战，包括小囊泡的融合孔、由核孔蛋白形成的环形核孔以及线粒体膜在活细胞内外的相对运动[15]。
尽管SIM具有这些优势，但在计算图像重建过程中容易产生伪影。高质量的、无伪影的超分辨率重建在很大程度上依赖于重建后算法的准确性，尤其是在参数估计方面，如波矢、初始相位和调制深度[16],[17],[18]。由于实验限制，将实验结果的参数与理论值精确匹配具有挑战性。因此，为了确保重建的准确性，有必要从获得的实验数据中恢复这些参数[19,20]。为了解决这个问题，提出了多种方法，包括非迭代自相关重建（ACR）[20]、图像重组变换（IRT）[21,22]、主成分分析（PCA）[23]、峰值相位方法（POP）[24]和基于迭代的相关性方法（COR）[25,26]。这些方法利用了不同频率点上光谱成分的先验知识来估计照明参数。然而，这些方法通常容易受到噪声的影响，其稳健性会受到信噪比（SNR）的影响。在低SNR条件下，原始SIM图像中包含的大量噪声可能导致参数估计错误，从而在图像重建过程中产生伪影。
近年来，深度学习方法在各种成像任务中显示出巨大潜力，包括在低SNR条件下提高SIM重建的分辨率和质量[27],[28],[29],[30]。深度学习的应用，例如卷积神经网络（CNN），在图像去噪领域取得了更好的效果，如内容感知图像恢复（CARE）[31]、改进显微镜盲点去噪（DecoNoising）[32]和Noise2Void（N2V）[33]，与基于数学模型的去噪方法相比[34],[35],[36],[37],[38]。基于自监督学习的深度学习去噪和去模糊技术（DeepBID）成功解决了高速体内成像过程中光学显微镜成像的低SNR和运动伪影问题[39]。ML-SIM使用在合成数据上训练的深度残差网络进行迁移学习，实现了快速、无需参数的重建，并且可以跨不同的成像平台和样本类型进行泛化[40]。另一种方法是合理化深度学习（rDL），它将基于物理的原理整合到去噪过程中，以专门减轻光谱偏差并提高结构保真度[41]。然而，深度学习方法也存在问题。随着噪声强度的增加，深度学习去噪会导致图像质量下降，在高频区域出现明显的模糊和平滑[42,43]。深度学习方法可能会将噪声误认为是信号，从而引入错误信息并产生“幻觉”。因此，应用于超分辨率图像去噪的深度学习算法的保真度仍然值得怀疑。
在这项工作中，我们提出了N2VCAB-SIM，这是一种基于Noise2Void通道注意力块去噪预处理的SIM参数估计框架，它利用自监督学习来抑制低SNR原始SIM图像中的噪声，而无需真实值（GT）数据。N2VCAB-SIM通过其通道注意力机制增强了结构化照明模式特征的保留，从而使SIM参数估计更加稳健，并避免了SR重建图像中错误信号的生成。模拟和实验表明，N2VCAB-SIM在结构相似性指数（SSIM）和峰值信噪比（PSNR）方面优于其他最先进的去噪方法。通过将N2VCAB集成到现有的SIM参数估计程序中，N2VCAB-SIM在具有挑战性的成像条件下表现出改进的参数估计稳健性，并实现了波矢误差平均降低29%和初始相位误差平均降低49%。我们评估了N2VCAB-SIM在低信噪比条件下观察线粒体动态的能力。此外，我们将N2VCAB-SIM应用于基于活细胞结构化照明的超分辨率荧光共振能量转移成像（SISR-FRETM）。这种功能成像场景要求超分辨率重建图像具有高灰度保真度，特别是在低SNR条件下。N2VCAB-SIM显著减少了由于参数估计误差导致的SIM重建伪影对定量FRET分析的影响。
