12:25arXiv cs.LG@Adina Scheinfeld, Haotan Zhang, Shang Mu, Rudolf L. M. van Herten, Lucas Stoffl, Ali Erturk, Zhuhao Wu, Johannes C. Paetzold精选该研究提出了一种针对光片荧光显微镜(LSM)的 3D 基础模型,通过在大规模多物种、多染色体的 3D 图像数据集上预训练,学习可迁移的体素表示。模型联合优化掩码重建和图像-文本对齐,显著降低了下游任务的标注需求,支持少样本分割、分类和去模糊。实验表明,该模型在标准指标和专家评估上均优于基线方法,展示了基础模型在 LSM 分析中减少标注负担并提升性能的潜力。代码和预训练权重已开源。论文基础模型3D 影像少样本学习光片荧光显微镜开源/仓库推荐理由:做生物影像分析的研究者终于有了一个能少标注、多任务的 3D 基础模型——少样本就能搞定分割、分类和去模糊,建议做 LSM 数据处理的团队直接试试开源的预训练权重。原文