AI4Life 显微图像去噪挑战赛 2024

AI4Life 显微图像去噪挑战赛 2024（AI4Life Denoising Challenge 2024，平台名 AI4Life-MDC24）是欧盟 Horizon Europe 资助的 AI4Life 项目（资助协议号 101057970）举办的首届公开算法挑战赛，任务是对显微图像做无监督去噪（unsupervised denoising）。赛事由 AI4Life 的 Open Calls 与 Open Challenges 团队组织，提交与评审经 grand-challenge.org 平台进行，2024 年 4 月启动、当年秋季公布结果，此后长期开放迟交通道。赛事使用四个公开数据集，横跨结构化与非结构化两类噪声，最终注册 104 人、总提交 151 次，结果页在 AI4Life 官网与挑战平台同时公开。

荧光显微图像在采集过程中不可避免地混入噪声，去噪是下游定量分析的第一道工序。监督式深度学习去噪需要逐像素配对的「带噪-干净」图像对，而显微实验几乎无法获得干净参照，这是生物影像领域长期的结构性缺口。MDC24 把无监督设定推上赛场中央：参赛方法只允许从带噪图像本身学习，四个数据集、两类噪声、统一指标，使自监督与无监督方法第一次在跨数据集的公开基准上同台可比。

显微图像去噪方向的研究者可以从挑战平台入口进入：先在四个数据集的原始发布页取训练侧数据，按噪声类型选择验证策略，再把算法接入平台迟交通道获得官方 SI-PSNR 与 SSIM 成绩。先注意两件事：测试集隐藏托管，完整离线复现只能用训练侧自带参照的部分；各数据集许可条款由原发布方分别规定，再分发前须逐个核对。

§1 它是什么：定义、来源与身份边界

1.1 一句话定义

AI4Life-MDC24 是一场以「显微图像无监督去噪」为任务的公开算法挑战赛，其使用的四个数据集与隐藏测试集共同构成一个自成一体的基准。理解这个实体需要拆开三个成分：其一是挑战赛本身，由 AI4Life 项目的 Open Calls 与 Open Challenges 团队组织，属于欧盟 Horizon Europe 资助的 AI4Life 项目的公开活动；其二是数据基准，四个数据集分别覆盖非结构化噪声（JUMP Cell Painting、W2S）与结构化噪声（Hagen et al. 荧光显微数据、SUPPORT 电压成像数据）；其三是评审基础设施，即 grand-challenge.org 平台上的提交通道、四个独立排行榜与迟交通道。三者共同构成「可复现的无监督去噪基准」这一完整实体，本文以数据基准为主线记录，赛事流程作为数据的使用语境。

1.2 名称辨析与届次边界

这一实体在不同页面有三个常见称呼：挑战平台页自称「AI4Life Denoising Challenge 2024」与「Denoising Challenge AI4Life-MDC24」；grand-challenge.org 的组织者主页把它列为「AI4Life Microscopy Denoising Challenge」；AI4Life 官网回顾文章按届次分别称 2024 与 2025 年的赛事。slug 中的「mdc24」取自平台子域名 ai4life-mdc24.grand-challenge.org，其中的年份后缀是届次标识而非版本号。

届次边界必须与另外两个条目划清：MDC25（ai4life-mdc25，2025 届，转向监督去噪）与 CIDC25（ai4life-cidc25，2025 届，专注钙成像）都是后继的独立赛事，各有自己的平台页、数据与排行榜。官方回顾文章明确把三届分列叙述：2024 届做无监督去噪，2025 届「吸取 2024 经验后转向监督去噪并增设钙成像赛道」。三者共享主办方与平台基础设施，但数据、任务与评估设计各自独立，任何把 mdc24 当作 mdc25 或 cidc25 的别名、前驱版本或数据子集的处理都是错误。此外还需与名称里同含「MDC」的 JMDC（日本医学数据库大会，日本福利与医疗政策相关的理赔数据库体系）区分——两者领域、语言与实体均无交集，仅是缩写撞车。

1.3 主办方与资助背景

AI4Life 是一个 Horizon Europe 资助的欧洲科研基础设施合作项目，目标是把计算社区与生命科学社区连接起来，让生命科学研究者用上人工智能与机器学习方法做生物影像分析。项目的两个核心构件是 BioImage Model Zoo（bioimage.io，可互操作的预训练模型仓库）与 FAIR 数据原则，公开挑战赛是其「开放征集（Open Calls）+ 公开挑战（Open Challenges）」双轨战略的挑战侧落点。结果页署名作者为 Vera Galinova 与 Beatriz Serrano-Solano，两人隶属 AI4Life 挑战组织团队。挑战赛在官方定位里不只是竞赛：标准化的数据、指标与条件让不同方法可以公平比较，同时向非项目伙伴的算法社区开放，引入外部新想法。

1.4 举办动因：去噪在显微工作流中的位置

理解这场赛事为何存在，需要先看去噪在显微数据分析流水线中的位置。现代生物学实验产生的图像数据体量巨大——从高通量表型筛选的百万级视野，到活细胞延时成像的数万帧序列——而所有下游任务（细胞计数、分割、追踪、表型分类）都建立在图像质量之上。噪声在这一环节的破坏是双重的：既直接掩盖微弱的生物信号，又作为输入扰动传播到下游模型的预测中。经典滤波方法（高斯滤波、中值滤波、非局部均值）基于固定的数学假设，在去噪的同时抹平细小结构；深度学习方法从数据中学习「什么是信号、什么是噪声」，能在压噪的同时保留边缘、纹理与细微形态——欢迎页引用的 CARE 论文正是这一范式在显微领域的奠基工作。

但深度学习去噪有一个昂贵的前提：监督训练需要配对的「带噪-干净」图像对。在显微实验里，干净参照几乎不可得——获取它意味着长曝光平均（牺牲时间分辨率）、更高光强（光毒性与漂白）或者物理仿真（引入仿真偏差）。Noise2Void 一类自监督方法的突破在于取消配对要求，只从带噪数据本身学习。方法创新到位之后，缺的是公平比较的场地：各方法论文各自使用不同的数据与协议，跨论文的数字不可比。MDC24 的动因正是补上这块公共场地——把无监督设定定为赛制，把两类噪声、四个数据集定为版图，把指标与平台定为规则。

1.5 证据来源与核验口径

本文的事实基础来自四个一手来源的交叉核验。挑战平台页（ai4life-mdc24.grand-challenge.org）提供任务定义、四个数据集的官方直链与原始文献引用、主办方与资助声明；AI4Life 官网结果页提供参与统计、各榜前三名单与分数、指标口径；官网回顾综述提供三届赛事的演进脉络与 2025 届的对照信息；启动博客提供赛事启动时间。凡两源以上一致的核心数字直接采信，单源独有的信息（如各榜提交次数的细分）在引用处标注来源；查不到一手来源的信息（赛事精确起止日期、子集裁剪规模等）一律不作断言，汇总于附录 D。所有来源 URL 列于页脚编辑说明，供逐条回溯。

§2 数据构成：四个数据集、两类噪声与赛制设计

2.1 数据集总览

挑战赛的评测版图由四个数据集组成，按噪声结构分两组，每组两个数据集、各对应一个独立排行榜。非结构化噪声代表「像素独立」的理想化设定，结构化噪声代表「像素相关」的真实难点，四者合起来覆盖显微去噪研究中两种主流噪声假设，也让方法假设的适用边界成为可以量化的对象。

组别	数据集	噪声类型	原始发布渠道	生物学语境
非结构化 1	JUMP Cell Painting datasets	像素独立噪声为主	GitHub（jump-cellpainting/datasets）	细胞 painting 表型筛选图像
非结构化 2	W2S（Widefield to SIM）	像素独立噪声为主	GitHub（IVRL/w2s）	宽场显微到结构化照明显微的联合去噪与超分辨率
结构化 1	Hagen et al. 荧光显微训练数据	相邻像素相关	GigaScience Database（数据集 100888）	荧光显微深度神经网络训练基准
结构化 2	SUPPORT 电压成像数据	相邻像素相关	Nature Methods 2023 论文附属	电压成像（voltage imaging）神经活动记录

四个数据集的官方入口均在挑战页以直链给出。需要说明的是，挑战页公布的是「从中采样」的母数据集，赛事实际使用的子集裁剪规模未单列公布；每个数据集在各自排行榜下的独立测试数据由平台隐藏托管，参赛者通过提交接口获得成绩而非直接下载。

2.2 两类噪声的任务含义

非结构化噪声（unstructured noise）组假设最主要的噪声来源是像素独立的——典型如散粒噪声（Poisson shot noise）与加性高斯读出噪声（additive Gaussian read-out noise），相邻像素之间不携带彼此噪声量的信息。这一假设是 Noise2Void 一类自监督方法的立足点：利用像素间的空间相关性预测中心像素，再让网络从「盲点」重建。该组的两个数据集分别代表高通量表型筛选（JUMP）与宽场低分辨率成像（W2S）两种典型采集场景。

结构化噪声（structured noise）组对应现实中的另一面：由于采集物理过程（如共聚焦显微镜的扫描与针孔机制），噪声在相邻像素间高度相关，在图像上形成规律图案。此时「中心像素可由邻域预测」的无监督推导失效——邻域本身被同一噪声模式污染，直接套用像素独立假设的方法会产生系统性伪影。该组的 Hagen 数据集与 SUPPORT 电压成像数据都属此类，后者来自电压成像这一对噪声尤其敏感的动态记录场景。

这一分组设计本身就构成了对方法学的对照实验：同一方法在两组榜上的名次变化，直接暴露其噪声假设的适用边界，这正是赛事对社区的独特信息贡献。

2.3 赛制与评审流程

赛事在 grand-challenge.org 平台运行，流程为标准的三段式：注册（免费账号）、在训练侧数据上开发算法、打包为算法容器经平台提交。平台将提交的输出去噪结果与隐藏的 ground truth 逐像素对比，计算两套指标后更新排行榜。四个数据集各自维护一个独立排行榜，参赛者可任选一个或多个赛道参与。赛事结束后平台开放迟交（late submission）通道，新方法可以持续提交并与历史成绩同榜比较，这使该基准具有赛后长期基准的功能，而不仅是一次性竞赛。

2.4 常见问答（Q&A）

问：参赛需要付费或签协议吗？
答：平台注册与参赛免费，无参赛费用；参赛即接受平台的提交条款，但数据使用许可仍以各原始发布方的条款为准。

问：可以用监督方法参赛吗？
答：赛制聚焦无监督设定，官方欢迎「现有方法与全新方法」同台。若方法在训练中使用了与测试数据配对的干净目标，则偏离了赛事的核心设定，也不符合真实显微场景的约束。

问：一个团队可以打几条赛道？
答：四个排行榜相互独立，注册者可参与任意数量的赛道；从结果页看，多数决赛团队集中在两到三条赛道，横跨全部四榜的队伍较少。

问：成绩能作为论文里的基准引用吗？
答：可以。排行榜数值与指标定义在结果页公开，引用时注明数据集、榜单与提交时间即可；迟交通道意味着榜单是活的，引用时最好记录快照日期。

问：训练侧数据和母数据集是什么关系？
答：挑战数据从四个公开母数据集中采样而来，训练侧使用方式与原发布渠道一致；母数据集的完整规模、标注与许可见各自发布页，挑战页不重复定义。

2.5 四个数据集逐个看

JUMP Cell Painting datasets（非结构化噪声组）。 JUMP 是 Cell Painting 表型筛选领域的大规模公开计划，其数据集仓库（jump-cellpainting/datasets）提供分批的图像数据与下载工具链。Cell Painting 是一种多通道荧光染色成像方案，用于在细胞群体水平刻画化合物或基因扰动后的形态表型；图像内容以培养细胞的多通道荧光视野为主，细胞核、细胞质与细胞器结构清晰。在本赛事中，该数据集代表「高通量、内容多样」的非结构化噪声场景：像素独立假设的噪声叠加在形态丰富的细胞图像上，考察方法在大规模筛选语境下的稳健性。

W2S（非结构化噪声组）。 W2S 出自图像处理学界（洛桑联邦理工 IVRL 实验室），全称「Widefield to SIM: Microscopy Data with Joint Denoising and Super-Resolution for Widefield to SIM Mapping」。它的独特之处在于同时携带两个任务：把宽场显微图像（低分辨率、噪声重）映射到结构化照明显微（structured illumination microscopy, SIM）级别的图像（高分辨率、噪声轻）。对本赛事而言，它考察的是去噪与分辨率恢复耦合场景下的方法表现——只做纯去噪的方法在该榜上的分数包含其隐式超分辨能力的贡献，这一耦合是该榜区别于其他三榜的关键特征。

Hagen et al. 荧光显微训练数据（结构化噪声组）。 该数据集出自 Hagen 等人 2021 年发表的「Fluorescence Microscopy Datasets for Training Deep Neural Networks」论文，经 GigaScience Database 发布。它是为深度学习去噪训练专门设计的荧光显微基准，覆盖多种荧光显微采集条件下带真实噪声的图像。在本赛事中它属于结构化噪声组：共聚焦类采集的噪声在相邻像素间相关，直接检验「像素独立假设方法在相关噪声下会怎样」这一问题——结果页显示该榜恰恰是基线方法与冠军方法分差较明显的榜单之一。

SUPPORT 电压成像数据（结构化噪声组）。 SUPPORT 出自 2023 年 Nature Methods 论文「Statistically unbiased prediction enables accurate denoising of voltage imaging data」，面向电压成像（voltage imaging）——以荧光探针记录神经元膜电位快速变化的动态成像模态。电压成像的信号弱、时间动态快、噪声结构复杂，是去噪需求最迫切也最难处理的场景之一；该论文提出的统计无偏预测方法为带动态信号的去噪提供了参照。在本赛事中，它把评测推向「结构化噪声加时间动态」的最难组合，考察方法在保留快速信号动态前提下的压噪能力。

这四个数据集合在一起构成了一组刻意设计的「难度阶梯」：从像素独立假设的理想场景（JUMP、W2S），到像素相关噪声的静态场景（Hagen），再到像素相关加动态信号的最难场景（SUPPORT）。方法在四个榜上的分数曲线，本身就是对其噪声假设适用范围的一次全景测绘。

问：无监督成绩和监督方法的成绩能直接比吗？
答：不能。监督方法在配对干净数据上训练，获得的参照信息量远多于无监督方法，两者的分数来自不同的信息前提；若要比较，必须在同一信息约束下重跑，本赛事榜单内部的无监督成绩才是同口径比较。

问：母数据集更新后挑战成绩还有效吗？
答：榜单成绩锚定的是提交时平台托管的测试数据，母数据集后续更新不影响历史成绩的有效性；但本地复现时若用了更新后的母数据集，需核对版本与赛事采样版本的差异。

2.6 两类噪声的物理来源小结

把噪声类型与采集物理对应起来，有助于在读榜时理解方法表现的成因。散粒噪声来自荧光光子发射与探测的量子离散性，光子计数服从泊松分布，在弱信号区域相对涨落最大；读出噪声来自探测器的电子学环节，通常近似为加性高斯噪声；两者在像素之间没有空间关联，构成非结构化组的理想化模型。结构化噪声则不同：共聚焦显微镜的扫描成像过程、探测针孔的空间滤波、以及样本自身的散射，都让噪声携带空间结构，在图像上表现为周期性条纹、网格伪影或块状起伏。这类噪声的能量集中在特定频段，与生物结构的频谱可能部分重叠，简单滤波难以分离——这正是显式噪声建模方法（如基于扩散模型与噪声网络分解的思路）在结构化组占据优势的物理根源。理解这一点后，四个榜单的排名差异不再是抽象的数字对比，而是方法假设与噪声物理是否匹配的直接读数。

§3 怎么拿到：获取路径、许可与合规

3.1 获取路径

数据获取分三层，分别对应研究流程的不同环节。第一层是母数据集：JUMP Cell Painting datasets 经 GitHub 仓库（jump-cellpainting/datasets）分发，配套提供数据下载工具与镜像索引；W2S 经 GitHub 仓库（IVRL/w2s）发布，含宽场-结构化照明显微配对的图像与文档；Hagen et al. 数据经 GigaScience Database 的对应数据集页面下载，为 GigaScience 论文的支撑数据；SUPPORT 数据作为 Nature Methods 2023 年论文（Statistically unbiased prediction enables accurate denoising of voltage imaging data）的附属资源提供，经期刊与作者渠道获取。第二层是赛事子集：挑战页给出四个数据集的官方直链，参赛者按页面指引取用。第三层是测试集：由平台隐藏托管，不提供下载，只能经提交接口以算法容器方式访问。

复现研究者的实用路径是：训练与本地验证用母数据集自带的参照部分；与官方榜单可比的成绩必须走平台提交（含迟交通道）；若仅需方法学对照（如复现 COSDD 与 Noise2Void 的相对关系），母数据集的训练侧足以支撑。三个场景各取所需，不必都做到全流程复现——研究目标决定复现深度，这比机械重跑整个赛事流程更节省成本，也更贴近各自的结论需要。

3.2 许可与使用边界

挑战赛页未对参赛数据做统一的许可声明，各母数据集沿用原发布方的许可：GigaScience Database 的数据集通常采用明确标注的开放许可；JUMP 与 W2S 的许可以其 GitHub 仓库声明为准。SUPPORT 数据作为期刊附属资源，许可以论文的数据可用性声明为准。使用前的合规动作有三个：逐数据集查阅原发布页的许可与引用要求；在产出物中按各源要求引用原始论文；再分发时不得超出原许可授予的范围。测试集的隐藏托管本身就是一种使用边界——平台条款约束其对提交算法的使用，参赛者不获得对测试图像本身的任何权利。

3.3 版本链与长期可用性

这份数据基准的版本演进沿赛事脉络展开：2024 年的本赛事（无监督去噪）是起点；2025 年的两个后继赛事——监督去噪的 MDC25 与钙成像的 CIDC25——各自发布新数据集与平台页，与本赛事数据不混用。本赛事自身的长期可用性由两个机制保障：平台页与结果页持续在线（回顾文章确认 CIDC25 平台在赛后仍可访问，同类的本赛事页亦开放迟交），母数据集都在成熟的学术分发渠道（GitHub、GigaScience、期刊附属）有独立存续。风险点在于 GitHub 仓库的长期维护依赖原作者团队，引用时建议同时记录仓库提交哈希或发布版本。

3.4 各渠道获取要点补充

四个母数据集的获取体验差异明显，使用前值得逐个了解。JUMP 的数据体量在四个来源中最大，仓库采用分批组织并提供下载脚本，建议先取小批次试跑再批量拉取，镜像索引可以缓解跨区域下载慢的问题。W2S 的仓库体积小、结构简单，图像与说明文档直接随仓库分发，是四个中最容易上手的一个，适合作为方法调试的第一站。GigaScience 的数据经数据库页面提供结构化下载，附带论文支撑材料的完整清单（编号见 §2.1 表），引用时按数据库的引用格式取 DOI 即可。SUPPORT 数据的入口在期刊数据可用性声明指向的作者渠道，获取流程可能需要一次邮件联系，建议在项目排期时预留这段时间。

对需要长期稳定引用的团队，建议在首次获取时即记录各渠道的版本哈希或发布日期，并在本地建立只读副本。四个渠道中 GitHub 仓库的动态性最强（作者可能继续更新），数据库与期刊渠道的存档属性最强，引用时优先以存档渠道为准。

§4 质量与已知问题：假设、支持与反对

4.1 质量证据

作为基准，这份数据的质量支撑有三层。第一层是来源权威性：四个母数据集分别出自表型筛选（JUMP，人类细胞 painting 大规模计划）、图像处理学界（W2S，洛桑联邦理工 IVRL 实验室）、显微方法学（Hagen et al.，GigaScience 论文数据）与神经方法学（SUPPORT，Nature Methods 论文数据），各自都经过学术发表与同行评审。第二层是评测基础设施：grand-challenge.org 是医学影像挑战赛的成熟平台，容器化提交与自动评测保证了指标计算的一致性。第三层是指标设计：SI-PSNR（scale-invariant PSNR）作为主指标消除了亮度与对比度整体偏移对分数的干扰，比裸 PSNR 更适合跨方法比较；SSIM 作为辅助指标衡量结构保真，两者组合是去噪评测的标准做法。

4.2 已知局限

反向证据同样清晰。其一，赛事子集的裁剪细节未单独公布，研究者无法确知每个排行榜背后的测试图像数量与采样策略，这削弱了跨榜比较的可解释性——不同榜的名次不可直接换算。其二，无监督赛制的评分依赖隐藏的干净参照，这意味着测试集的 ground truth 必须以某种方式获得（如长曝光平均或仿真生成），其自身质量决定了指标上限，而挑战页未披露参照的生成方式。其三，参赛规模虽然覆盖了四大洲，但每个榜单上的决赛队伍数量有限（各榜 7 到 17 人之间），名次接近的方法之间的差异缺少统计功效支撑。其四，冠军方法的领先幅度（对照 Noise2Void 系基线多数在零点几 dB 量级）不足以断言「结构化噪声建模在任何场景都优于像素独立假设」，真实数据上的表现仍取决于噪声与内容的具体组合。

4.3 与 2025 届改进的关系

官方在回顾文章中明确把 2025 届的赛制调整归因于 2024 届的经验：监督去噪赛道引入配对的噪声-干净图像，使「更精确的性能评估」成为可能。这相当于官方对 2024 届无监督设定的一次正面评估——它验证了无监督方法社区的参与度，也暴露了无参照评测的精度天花板。对使用者而言，这一脉络本身就是质量信息：若研究需要严格的量化评估，2025 届的监督基准更合适；若研究问题恰恰是无参照场景，2024 届基准仍是独有资源。

4.4 指标选择的含义

主指标选 SI-PSNR 而非裸 PSNR 是一个值得注意的评测决策。裸 PSNR 对图像整体亮度与对比度的缩放敏感——两个方法输出仅差一个全局增益时，PSNR 可以相差数 dB，而这种增益差异对使用者几乎没有意义。SI-PSNR 在计算前对尺度与偏移做最优对齐，把「整体亮度调校」这类平凡差异从分数中剔除，让分数差异更多反映结构层面的重建质量。代价是对绝对灰度保真的信息量下降——若下游任务依赖绝对荧光强度（如定量荧光测量），SI-PSNR 高的方法不一定保留正确的强度标尺。SSIM 的加入部分弥补了这一点：它直接比较局部结构的相似度，与视觉及形态学判断更接近。使用榜单结果的团队应意识到这对指标的分工：SI-PSNR 回答「结构重建得多好」，SSIM 回答「看起来像不像」，而「荧光定量是否可信」两者都回答不了，需要另行验证。

§5 能做什么：任务清单与最小可执行示例

5.1 适配任务清单

这份数据基准直接适配的研究与工程任务包括：自监督与无监督去噪算法的开发与对照评测；噪声模型研究（像素独立假设与像素相关假设的实证边界）；去噪作为下游任务前处理的效果验证（分割、计数、表型分类前的预处理）；方法在跨数据集、跨噪声类型条件下的泛化测量；去噪模型向 BioImage Model Zoo 一类可互操作仓库的打包发布。间接适配的任务包括：显微采集参数优化（噪声特性分析）、教学与课程实验（数据规模适中、入口清晰）、以及基准方法论研究（指标敏感性分析）。

5.2 最小可执行示例

以复现冠军与基线对比为例，最小工作流有五步。第一步，从 GigaScience Database 下载 Hagen et al. 数据集（结构化噪声组），或从 GitHub 取 W2S 数据（非结构化噪声组），按原发布文档解包 TIFF 序列。第二步，划分训练与本地验证：用数据自带的参照对做本地定量评估，留出绝不参与训练的验证集。第三步，训练基线：安装 CAREamics（Noise2Void 与 N2V2 的框架实现），按其文档以默认超参数在带噪图像上训练盲点网络。第四步，训练或加载对照方法：COSDD 的代码经作者仓库获得，按其文档在相同训练侧数据上拟合。第五步，在同一验证集上计算 SI-PSNR 与 SSIM（可用 skimage 或 CAREamics 内置工具），对照结果页公开的榜单数值校准相对关系。

## 示意流程（非官方脚本，路径与参数以各仓库文档为准）
git clone https://github.com/IVRL/w2s            # 取 W2S 母数据集
pip install careamics                             # N2V/N2V2 基线框架
## 步骤一：按 w2s 仓库文档解包训练侧图像
## 步骤二：careamics 训练 N2V（盲点自监督，无干净参照）
## 步骤三：本地验证集计算 SI-PSNR / SSIM
## 步骤四：打包算法容器，经 grand-challenge.org 迟交通道提交官方评测

5.3 使用时的实操要点

第一，先定噪声组再选方法：像素独立假设的方法在结构化噪声组大概率失分，这不是方法缺陷而是假设错配，对照组设计应显式覆盖两组。第二，本地指标与官方指标的实现细节（SI-PSNR 的尺度不变变换、数据范围归一化）可能有差异，跨源比较时以官方榜单为准。第三，提交容器前先在平台的验证通道小规模试跑，避免全量评测因格式问题作废。第四，引用母数据集论文的同时引用赛事结果页，使读者能回溯榜单快照。

5.4 常见失败模式与排查

第一类失败是格式与打包问题：平台要求算法以容器形式提交，接口协议、输出通道命名或位深不匹配会让评测在读取阶段失败。排查办法是先用平台提供的样例容器跑通一次空提交，确认接口契约，再替换为自己的模型。第二类失败是训练-推理失配：无监督方法在训练侧数据的某个视野上拟合了过强的内容先验（如固定细胞密度或固定荧光背景），换到测试侧内容差异更大的图像时输出崩坏；排查办法是在训练侧主动做视野级别的留出验证，而不是全量训练。第三类失败是结构化噪声下的假设错配：像素独立假设的方法在结构化噪声榜上产生条纹状残差或过度平滑，这类失败不是超参数问题而是假设问题，改参数收效有限，需要换噪声建模策略（如邻域扩充、噪声模型显式估计或扩散式建模）。第四类失败是指标口径误判：本地 SSIM 的实现参数（窗口、高斯权重、数据范围）与平台口径不同导致本地成绩与榜单成绩系统性偏差；排查办法是固定一种公开实现并在论文中声明版本。

5.5 与下游任务衔接的验证建议

去噪不是终点，把它接进研究流水线前建议做一层下游验证：在同一批图像上比较「去噪后分割/计数」与「原始图像分割/计数」的差异，用下游任务的稳定性而非去噪指标本身判断收益。具体做法有三步：选一个对噪声敏感的下游模型（如细胞核分割网络）；在去噪前后的图像上分别推理并量化分割结果差异（如交并比、计数偏差）；检查差异集中在低信噪比视野还是均匀分布。若去噪只在最差的视野上带来收益，可考虑只在低质量子集上启用去噪环节，避免对高质量图像引入不必要的处理伪影。这一验证思路与本赛事的设计同构——赛事本质上就是在「处理前后」对同一参照做量化比较，把它从竞赛搬进自己的流水线只需一个本地参照。

§6 常见误读与引用陷阱

常见说法	实际口径	证据位置
「MDC24、MDC25、CIDC25 是同一赛事的三个版本」	三者是 AI4Life 的三个独立届次：2024 届做无监督去噪，2025 届分出监督去噪（MDC25）与钙成像（CIDC25）两条赛道，数据与榜单各自独立	官方回顾文章对三届分列叙述；三个平台页各自独立
「年份后缀 24 是版本号，升级到 25 后旧数据作废」	年份是届次标识，2024 届数据与榜单持续在线并开放迟交，不存在数据作废	平台页「late submission」入口；回顾文章「平台仍可访问」表述
「这四个数据集是为本挑战赛专门新采的」	四者均为已发表的既有数据集，赛事从中采样构建评测，原始论文与发布渠道先于赛事存在	挑战页对四个数据集的直链与原始文献引用
「无监督赛制意味着评测没有 ground truth」	赛制约束的是训练侧不许用配对干净数据，评测侧仍有隐藏参照用于计算指标；两者是不同环节	挑战页任务定义；结果页指标说明
「MDC 就是 Medical Segmentation Decathlon」	本赛事的 MDC 指 Microscopy Denoising Challenge；Medical Segmentation Decathlon 是医学图像分割十项全能赛，是完全不同的赛事与数据体系	挑战页标题与任务定义；MSD 官方页面
「冠军包揽四榜说明其他方法无效」	Noise2Void 系方法在多榜位列第二、三，与冠军差距多在零点几 dB 量级；四榜登顶反映的是噪声建模适配度，不是其他方法失效	结果页各榜前三名单与分数
「在 Zenodo 能下载到全部挑战数据」	训练侧经各母数据集渠道分发；测试集隐藏托管于平台，不在任何公开仓库发布	挑战页数据入口；本文 §3.1
「四个数据集规模都一样大」	四个来源的数据体量与组织方式差异很大，赛事从中采样的子集规模也未逐一公布，不能用母数据集体量推断榜单难度	各发布页；挑战页数据入口
「去噪指标高就等于下游任务会变好」	去噪指标衡量与参照的像素级相似度，下游任务（分割、计数）的收益取决于保留的结构是否恰是任务所需，两者常相关但不等价	本文 §5.5 的验证建议

三条补充引用纪律：第一，论文引用赛事成绩时必须标注榜单快照日期，迟交通道使榜单持续变化；第二，把本赛事数据用于训练时，同时引用母数据集原始论文，仅引赛事页会切断数据溯源链；第三，避免把「AI4Life 挑战赛」写作单一实体——AI4Life 项目还包括开放征集、培训与模型仓库等多条业务线，挑战赛只是其一。

§7 在生态中的位置

7.1 在 AI4Life 与 Euro-BioImaging 生态内

AI4Life 项目把公开挑战赛定位为连接计算社区与生命科学社区的机制之一，本赛事是其挑战业务线的首届落地。赛事的组织经验直接孵化了 2025 届的两个后继赛事，形成了「无监督先探路、监督与专用场景跟进」的三届序列。赛事所在的 Euro-BioImaging 生态还提供图像分析咨询服务与培训，BioImage Model Zoo 则承接赛事产出的模型资产——参赛方法中可打包的部分（如去噪网络权重）可以按模型仓库的互操作标准发布，使竞赛产出沉淀为社区可复用资产。结果页署名机构中，Human Technopole 既是参赛方（Edoardo Giacomello 团队）也是 CIDC25 数据的制作者，体现了生态内机构在不同届次间的连续参与。

7.2 在去噪方法谱系中

本赛事的方法谱系以 CARE 为源头参照：欢迎页直接引用 Weigert 等 2018 年 Nature Methods 的 CARE 论文（内容感知图像修复），这是监督式深度学习去噪的里程碑。CARE 之后的Noise2Void 把监督要求降到零——仅凭带噪图像自监督训练，成为无监督去噪的基线；其改进变体 N2V2 修补了盲点策略的局限。冠军方法 COSDD（来自伯明翰大学）代表另一条路线：对结构化噪声显式建模，用扩散模型刻画噪声的空间相关结构，这解释了它为何能同时在四类噪声场景登顶。对基线方法的选择建议也随谱系位置而定：复现研究通常从 Noise2Void 开始，因为它实现最普及、假设最简单、失败模式最容易诊断；把结构化噪声作为研究对象的团队则应同时复现 COSDD 一类显式建模方法，两条线之间的分数差就是研究问题的量化表述。2025 届转向监督去噪与钙成像专用赛道后，本赛事成为「无参照去噪」这一细分问题在 AI4Life 序列中的唯一基准，其四组噪声设计仍是方法论文对照实验的常用模板。

7.3 与更广基准生态的关系

在更广的图像修复基准生态里，本赛事与通用去噪数据集（如自然图像的 DnS 系列）的差别在领域特异性：显微图像的噪声物理、内容结构与评估需求（保结构而非保观感）都不同，通用基准结论不能平移。与同域的分割挑战赛（如细胞分割、器官分割系列）相比，去噪任务的特点是评测确定性高——有像素级参照即可计算指标，不依赖标注者一致性，这使榜单噪声更小、方法对比更干净。对同时使用多个生物影像基准的团队，本赛事适合充当「预处理质量」维度的基准，与分割、追踪类基准形成流水线互补。

7.4 对不同角色的使用路径建议

去噪方法开发者最短路径：选定与自己噪声假设匹配的组别起步，先在该组两个数据集上做本地对照，再把实现接入平台迟交通道取得官方成绩，最后把跨组成绩作为方法适用边界的直接证据写进论文。实验生物学家最短路径：不必参赛，直接用自己的采集条件匹配最接近的数据集（共聚焦类图像对应结构化组、宽场类对应非结构化组），复用榜单前列方法作为预处理模块，并按本文 §5.5 做下游验证。基准设计者最短路径：把本赛事当作「假设分组评测版图」的设计范本研究——其价值不在数据本身而在版图结构，同一思路可迁移到其他图像修复任务（去模糊、超分辨、去伪影）的基准设计。教学组织者最短路径：四个数据集规模适中、入口清晰，适合作为计算成像课程的实训底座，让学生在同一数据上复现 Noise2Void 与一个结构化噪声方法，直观看到假设错配的失败形态。

7.5 横向定位：与通用去噪基准及同域赛事

把本赛事放进更大的评测版图，可以从三个参照系读它的位置。相对自然图像去噪基准（如经典的 BSD68、DnS 系列），它的差异是领域性的：显微图像的噪声水平更高、动态范围更宽、结构以细胞与组织形态为主，自然图像上 tuned 好的方法在显微数据上往往需要重调甚至重设计，反之亦然——这也是领域专用基准存在的理由。相对医学影像分割类挑战赛（器官分割、肿瘤分割系列），它的差异是任务性的：分割评测依赖人工标注的质量与一致性，而去噪评测直接以物理参照计算，指标噪声更小，适合作为方法学结论更强的证据来源。相对 2025 届的两个后继赛事，它的差异是信息约束性的：MDC25 引入配对数据让评测更精确，CIDC25 用合成数据让参照完全可控，而本赛事守住的是「无参照也能测」这一最难也最贴近真实实验的设定。三个参照系合起来解释了它在生态中的卡位：不是最精确的评测，而是信息约束最严格的评测。

§8 总结

AI4Life-MDC24 是生物影像领域第一份把无监督去噪推上多数据集公开排行的赛事基准。它的核心资产有四项：覆盖两类噪声假设的四个公开数据集、容器化自动评测的平台基础设施、SI-PSNR 加 SSIM 的双指标体系，以及一个赛后长期开放的迟交通道。它的结果给出了无监督去噪方法格局的一次公开快照：显式建模结构化噪声的 COSDD 四榜登顶，像素独立假设的 Noise2Void 系紧随其后，两者差距不大但假设边界分明。它的局限也很诚实：测试集隐藏、子集裁剪细节未公布、各榜决赛队伍数量有限。

从更长的时段看，这场赛事的价值可以概括为三笔遗产。第一笔是方法学遗产：四组噪声的版图设计让「噪声假设与数据匹配」从隐含经验变成显式测量，后续方法论文普遍采用类似的分组对照来陈述适用范围。第二笔是社区遗产：一届赛事把去噪方法团队、显微成像平台与模型仓库生态拉到同一张榜单上，2025 届能够拆分出监督与钙成像两条专线，靠的正是这届积累的参赛者基础与组织流程。第三笔是基础设施遗产：容器化提交、自动评测与赛后迟交通道的组合，成为后续赛事可以直接复用的流水线模板。

对去噪方法研究者，它是无参照场景下最直接的对照基准；对基准设计者，它示范了「假设分组」的评测版图设计；对实验科学家，它是评估去噪预处理是否值得引入工作流的入口。三届赛事的演进脉络——从无监督到监督再到专用场景——本身就是这一领域评测方法论成熟的缩影。

§9 与库内条目的关系

库内可互链的条目有一条：ai4life-cidc25（rid=1237，AI4Life 钙成像去噪挑战赛 2025），同属 AI4Life 公开挑战赛序列，构成「2024 无监督基准 → 2025 钙成像专用基准」的姊妹对，两者共享主办方、平台与指标家族（PSNR 族加结构相似性），适合做「去噪基准演进」主题的互链。

需要主动澄清的不建议互链条目有一条：jmdc（rid=296，日本医学数据库大会相关条目）。JMDC 与本文所述赛事共享「MDC」缩写但实体完全无关——前者是日本医疗理赔数据库体系，后者是显微去噪挑战赛。若库内检索按缩写匹配，可能出现错误关联，本文已在该方向的 §1.2 与 §6 做了显式辨析。

建议补充的生态互链方向（待库内条目建立后接入）：BioImage Model Zoo 相关条目（模型资产沉淀）、Noise2Void 或 CAREamics 方法条目（基线方法）、共聚焦显微成像条目（结构化噪声的物理来源）。互链的价值取向建议以「数据—方法」纵向对为主：本文描述数据基准，方法条目描述在基准上竞赛的算法，两者互链后读者可以沿「基准→方法→结果」的路径完成一次完整的方法学调研，无需跳出库内检索。

从库内知识组织的角度，本文与姊妹条目共同承担「AI4Life 挑战赛序列」这一主题的完整性：读者从任意一条进入，都能沿届次线索找到另外两条，并从各条目的误读表里拿到届次辨析的统一口径。三条目的元数据结构保持一致（同一主办方、同一平台家族、同一指标家族），这使得按「主办机构」或「赛事平台」维度的聚合检索可以一次覆盖三届数据，而不需要在检索词层面做特殊处理。对维护者而言，若未来库内新增 AI4Life 序列的后续届次或相关方法条目，建议在入库时同步回写这三条目的互链区块，保持序列视图的闭合；互链锚点使用完整平台名而非缩写，避免再引入 §6 所列的撞名歧义。

§10 引用与复用检查清单

复用本文描述的数据前，逐项核对以下清单：

1. 确认届次：引用的是 2024 届无监督去噪赛事（本文所述），不是 2025 届的 MDC25 或 CIDC25。

2. 数据溯源：训练侧数据按四个母数据集的原始渠道获取，并引用各自原始论文。

3. 许可核对：逐数据集查阅原发布方许可条款，确认训练、再分发与商用边界。

4. 测试集边界：不要在文中或代码中声称获得过测试集图像；官方成绩只能经平台提交获得。

5. 指标口径：SI-PSNR 为主排名指标、SSIM 为辅；本地实现的指标与官方口径可能不同，跨源比较以官方榜单为准。

6. 榜单快照：引用名次或分数时记录结果页的访问日期，迟交通道使榜单持续更新。

7. 方法名拼写：COSDD、Noise2Void（N2V）、N2V2、CAREamics、CARE，避免与近名方法混淆。

8. 届次术语：平台名 AI4Life-MDC24、赛事名 AI4Life Denoising Challenge 2024、组织者列表名 AI4Life Microscopy Denoising Challenge 三者指向同一实体。

9. 届次交叉引用：在跨届次行文中使用完整平台名（AI4Life-MDC24、MDC25、CIDC25），不要用裸「MDC」或「去噪挑战赛」指代。

10. 下游验证：把去噪结果接入定量分析流水线前，按本文 §5.5 做一次下游任务层面的收益确认，不要只凭去噪指标下结论。

附录 A：关键数字速查

项目	数值	来源
参与国家数	27	AI4Life 结果页
各榜决赛参与人数区间	5-17 人/榜	AI4Life 结果页（Hagen 17、JUMP 16、W2S 13、SUPPORT 7，另有 2-7 人/榜的口径以结果页为准）
各榜提交次数	Hagen 50 / JUMP 47 / W2S 34 / SUPPORT 20	AI4Life 结果页
冠军 SI-PSNR（四榜）	31.4847 / 35.6282 / 35.6855 / 30.4415	AI4Life 结果页
AI4Life 资助协议号	101057970	挑战页页脚资助声明
GigaScience 数据集编号	100888	GigaScience Database

注：注册人数与总提交数等核心统计在正文导语与常见问答中给出，此处不再复述；「几乎/约」类模糊量词均已回溯到结果页原值。

附录 B：缩写表

缩写	全称	含义
MDC24	Microscopy Denoising Challenge 2024	本赛事的平台名组成部分
PSNR	Peak Signal-to-Noise Ratio	峰值信噪比，图像重建质量基础指标
SI-PSNR	Scale-Invariant PSNR	尺度不变 PSNR，本赛事主排名指标
SSIM	Structural Similarity Index	结构相似性指数，辅助指标
N2V	Noise2Void	像素独立假设下的自监督去噪方法
N2V2	Noise2Void2	N2V 的盲点策略改进变体
COSDD	Contrastive Open-set Self-supervised Denoising Diffusion（以作者论文命名为准）	本赛事冠军方法，显式建模结构化噪声
SIM	Structured Illumination Microscopy	结构化照明显微，W2S 数据的目标模态
SUPPORT	Statistically Unbiased Prediction	电压成像去噪方法及配套数据
CARE	Content-Aware Image Restoration	内容感知图像修复，监督式去噪里程碑
GECI	Genetically Encoded Calcium Indicator	遗传编码钙指示剂（CIDC25 语境）

附录 C：DAIMS 评估全表

维度	评估	依据
D（Data）	四个公开母数据集，跨两类噪声假设，渠道成熟；子集裁剪细节未公布	挑战页直链；各发布页
A（Annotation）	无监督赛制不要求标注；评测侧隐藏参照，生成方式未披露	挑战页任务定义
I（Identifiers）	平台页、结果页、四个母数据集均有稳定 URL 与编号	挑战页与发布页
M（Metadata）	各母数据集自带文档；赛事层未发布统一的数据字典	挑战页
S（Sustainability）	平台页持续在线、迟交通道开放；GitHub 渠道依赖原维护方	回顾文章；结果页

附录 D：未覆盖内容

以下内容经检索未获得可靠来源，本文不作断言：各数据集在本赛事中的精确图像数量与切分比例；隐藏测试集 ground truth 的生成方式；赛事精确的报名截止与评审完成日期（仅有 2024 年 4 月启动与秋季出结果的区间口径）；参赛团队的完整名单与全部机构归属。

附录 E：检索模板

研究者可用以下检索式定位并核验本实体：

site:grand-challenge.org ai4life-mdc24          # 平台页与子页
site:ai4life.eurobioimaging.eu denoising 2024   # 官网启动与结果文章
site:gigadb.org Hagen fluorescence datasets                    # 结构化噪声组母数据集
github.com/jump-cellpainting/datasets           # 非结构化噪声组之一
github.com/IVRL/w2s                             # 非结构化噪声组之二
"Nature Methods" "s41592-023-02005-8"           # SUPPORT 论文 DOI 后缀

附录 F：引用格式建议

建议的引用要素组合：赛事名（AI4Life Denoising Challenge 2024）、平台（grand-challenge.org，子站 ai4life-mdc24）、结果页（AI4Life 官网 denoising-challenge-2024-results）、访问日期（榜单快照）；如引用具体数据集，另引对应原始论文（JUMP 计划论文、W2S 论文、Hagen et al. 2021 GigaScience、Ghitani et al. 2023 Nature Methods）。

编辑说明

• 编写：agent-b-mdc24（RSI 闭环写手），2026-10-18；版本体例：写作规范 v4。
• 三源核验：挑战平台页（ai4life-mdc24.grand-challenge.org/ai4life-mdc24/）、AI4Life 官网结果页（ai4life-denoising-challenge-2024-results）、AI4Life 官网回顾综述（In retrospect: AI4Life Public Challenges）；另有启动博客（2024 年 4 月）作时间线上限佐证。
• 届次判断：mdc24 / mdc25 / cidc25 为三个独立届次（官方回顾分列叙述），非别名、非版本链；本文所述赛事与库内 ai4life-cidc25（rid=1237）构成姊妹互链，与 jmdc（rid=296）仅作缩写撞名澄清。
• 双口径与遗留疑点已在 FACTS.md §9 存照：赛事精确起止日期、赛事子集裁剪规模、统一许可声明、测试参照生成方式四项未获一手来源，正文一律不作断言。
• 关键数字口径：注册 104 人、27 国、提交 151 次，均出自 AI4Life 结果页；各榜明细见附录 A。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• tus-rec — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• ultrasoundenhance2023 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• 3dteethland — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• ai4life-cidc25 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• ldctiqac2023 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• ulf-enc — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• mrixfields — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• thompson-challenge — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• realnoisemri — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• psfhs — 共享标签：医学影像 / 挑战赛数据集 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。