突破光学成像衍射极限：南洋理工与南安普顿大学发布OpticalNet数据集，开启AI赋能科学新范式

    在科学探索的微观领域，光学成像技术如同人类窥视神秘世界的“眼睛”，然而衍射极限这一“枷锁”却长期束缚着其分辨率的提升。当传统光学显微镜在200-250纳米尺度前止步时，南洋理工大学与南安普顿大学的研究团队在CVPR2025上带来了突破性进展——他们提出的OpticalNet数据集与基准测试，为光学成像突破衍射极限开辟了全新路径。

    衍射极限：光学成像的“阿喀琉斯之踵”
    光的波动性导致的衍射现象，如同给光学成像戴上了“紧箍咒”。当光与亚波长结构相互作用时，理想点光源会在成像平面衍射成艾里斑，相邻衍射斑间距低于0.61λ/NA时便无法分辨，这使得传统光学显微镜在观测冠状病毒（小于200纳米）等亚波长物体时“力不从心”。
    尽管电子显微镜能实现原子级分辨率，但其复杂的样品制备、真空环境要求以及对活体生物的辐射损伤，使其在实时成像领域难以施展。超分辨率荧光显微镜虽获诺奖认可，却依赖侵入性荧光标记，背离了光学成像非侵入性的本质优势。能否仅用传统显微镜“看透”衍射极限之外的世界，成为光学领域的核心挑战。

    OpticalNet：以模块化思维构建亚波长成像“基石”
    面对亚波长数据采集的世界级难题，研究团队创新性地提出“构建模块”概念。他们将任意形状的亚波长物体分解为n×n网格的基本单元，每个单元由小于衍射极限的正方形组成，如同用“纳米积木”搭建复杂结构。
    在数据采集中，团队采用高精度聚焦离子束（FIB）技术制备样品，搭配定制显微镜系统与声学腔振动隔离装置，确保纳米级精度。为验证概念，他们设计了两大测试集：“光”测试集用于评估任意形状物体的成像能力，“西门子星”（SS）测试集则聚焦于旋转与尺寸变化的泛化性能。

    深度学习破局：Transformer重构光学成像范式
    研究团队将问题定义为“衍射图像-物体图像”的端到端翻译任务，通过对比ResUNet、ResNet、AttU-Net等主流模型，发现Transformer架构展现出显著优势。在3×3模块数据集上，Transformer的准确率达80.31%，F1分数76.33%，远超ResNet-34的75.01%与76.33%。
    可视化结果更直观呈现了Transformer的优势：其对“西门子星”辐条的解析更为锐利，能保留“光”符号的细微曲线，而ResNet-34的预测结果则伴随明显噪声。这表明，Transformer处理全局信息的能力使其在环境噪声抑制方面更具优势。

    从实验室到产业：AI+光学的万亿市场遐想
    OpticalNet的意义不仅在于学术突破，更在于打开了跨学科合作的大门。在生物医学领域，其非侵入性、实时成像特性为SARS-CoV-2病毒动态观测、巨噬细胞复极化研究提供了新工具；半导体质量控制中，亚波长尺度的缺陷检测将成为可能；而在材料科学领域，纳米级结构的原位观测或将推动新型功能材料的研发。
    研究团队开放的模拟代码与数据集，正吸引着视觉算法与光学科学领域的研究者共同探索。当AI的“算力”遇上光学的“眼力”，这场跨学科的碰撞或许将重塑微观世界的认知边界，正如论文作者所言：“这不仅是数据集的突破，更是‘人工智能助力科学’新范式的起点。”

    从列文虎克的简易显微镜到OpticalNet的亚波长成像，人类探索微观世界的历程始终伴随着技术瓶颈与创新突破的博弈。OpticalNet的出现，不仅打破了衍射极限的物理禁锢，更揭示了一个真理：当不同学科的智慧在交叉领域碰撞，科学的边界将不断拓展，而这，或许正是基础研究最动人的魅力所在。