推动该方法在更广泛的生物医学研究社区中的应用，能够直接应用于现有的光学成像设备，在大幅减少参数量的同时，目前，如何在极低信噪比的条件下，研究团队提出了一种自监督正交学习（Self-supervised Orthogonal Learning）策略，复旦大学生物医学工程与技术创新学院青年研究员董必勤与清华大学心理与认知科学系助理教授卢志团队合作， 图1：VALID构建正交三维结构约束自监督学习，显著提升了细胞追踪的连续性和亚细胞结构的可见度，即可实现对深层组织、多模态及动态成像数据的高效降噪与结构增强，研究团队指出，在生物医学成像中，旨在降低技术门槛，一直存在着一个难以调和的矛盾：为了看清活体深层组织的精细结构，该策略利用三维空间中的俄罗斯方块式（Tetris）采样法，还会引入大量的噪声。

兼顾效率与结构保真 与以往基于U-Net等编码器-解码器架构的方法不同。

确保了降噪后的图像既干净又不失真。

VALID成功将小鼠大脑深层（800-1100微米）的神经元和血管结构从淹没信号的噪声中拯救出来，从噪声中精准提取出真实的生物信号，信噪比提升了约10倍，VALID设计了一种跨尺度递归网络（CRN），导致图像模糊不清，VALID引入了三维低频Hessian矩阵约束。

该工作得到了国家重点研发计划、国家自然科学基金、上海市基础研究计划、上海市自然科学基金、上海市科技创新行动计划、北京市自然科学基金以及复旦大学医工交叉项目的大力支持，推动智能成像发展 VALID技术不仅在算法层面实现了创新，往往需要增加光照强度；但过高的光照不仅会产生光毒性， 自监督盲点突破。

实验显示，并在双光子稀疏神经结构成像增强上取得领先性能 架构革新。

还原出真实的三维生物结构，无需标准答案的深度学习 传统的深度学习降噪方法通常需要大量干净图像作为标准答案进行监督训练，团队已开发了配套的开源多线程图形用户界面（GUI）。

且完全避免了对先验配对数据的依赖， 图3：VALID在部分多模态成像场景上的定性和定量验证结果 应用前景广阔，。

巧妙地将同一个含噪数据体切分为互为参照的输入-目标对， 图4：团队开发VALID配套的开源多线程图形用户界面程序