천재 (2026-02-20) 이전 연구   SFSRM은 이전 연구에서 100nm 미만의 해상도를 달성하는 능력을 보여주었습니다. 이는 고해상도 SMLM 데이터셋을 사용한 학습과 더 높은 배율 적용 덕분입니다. SAFT의 효과를 확인하기 위해, SR 이미지에서 100nm 미만의 오차를 LR 참조 이미지를 사용하여 감지할 수 있는지 평가했습니다. 핵공 복합체는 8중 대칭을 나타내므로 정량적 SR 현미경 관찰에 이상적인 참조 표준입니다.26 진화 측정 지표의 정확도를 평가하기 위해, 오차를 시뮬레이션하기 위해 소단위를 수동으로 제거했습니다. SR 이미지의 아티팩트는 다양한 SNR 수준에서 감지되었으며( 그림 3A ~3D), 이는 SAFT가 아티팩트를 100nm 미만으로 줄이는 데 효과적임을 보여줍니다. SMLM 학습 데이터셋의 배경 국소화는 GAN 기반 SFSRM 모델에서 가짜 배경 아티팩트를 유발하는 경우가 많습니다. SAFT는 이러한 아티팩트를 크게 완화하여 더 선명한 SR 결과를 제공합니다( 그림 S10 ). 우리는 다양한 기하학적 구조를 가진 여러 세포소기관 이미지에서 SAFT의 효과를 입증했습니다. 미세소관은 세포의 키랄성, 형태 가소성, 운동성, 신호 전달, 기계적 변환 및 이동을 조절하는 데 중요한 역할을 합니다.