极低信噪比图像复原深度学习比较支撑数据
该数据集面向荧光显微图像去噪深度学习模型的训练与基准评测，包含15个子数据集，覆盖肌动蛋白、乳腺癌阵列、蚯蚓、鱼鳃、旋转盘大鼠睾丸、人卵巢活跃期、未成熟卵巢、线粒体、小鼠脑、兔睾丸和微管蛋白等多种样本类型，并在物镜放大倍数、染色类型、激发、曝光时间和图像尺寸上有所差异
基本信息
资源简介
极低信噪比图像复原深度学习比较支撑数据
Supporting Data for "Comparison of Deep Learning Approaches for Extreme Low-SNR Image Restoration"
该数据集面向荧光显微图像去噪深度学习模型的训练与基准评测，包含15个子数据集，覆盖肌动蛋白、乳腺癌阵列、蚯蚓、鱼鳃、旋转盘大鼠睾丸、人卵巢活跃期、未成熟卵巢、线粒体、小鼠脑、兔睾丸和微管蛋白等多种样本类型，并在物镜放大倍数、染色类型、激发、曝光时间和图像尺寸上有所差异。每个子数据集提供低信噪比与高信噪比图像对，共324对图像，可用于在真实噪声条件下评估模型性能（来源 DOI 解析，Creative Commons Zero v1.0 Universal 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：我们的项目旨在满足对更多样、更具代表性的数据集的需求，用于训练和基准评测荧光显微去噪的深度学习模型。该数据集由15个子数据集组成，在样本类型（肌动蛋白、乳腺癌阵列、蚯蚓、鱼鳃、旋转盘大鼠睾丸、人卵巢活跃期、未成熟卵巢、线粒体、小鼠脑、兔睾丸和微管蛋白）、物镜放大倍数、染色类型、激发、曝光时间和图像尺寸方面各不相同。每个子数据集包含低信噪比（SNR）与高信噪比（SNR）图像对。该数据集总共包含324对图像。该数据集可用于基准评测深度学习模型，并扩展了在不同成像条件下由真实噪声引起的模型性能评估能力。
【主题与分类】
主题标签：Fluorescence Microscopy、Image Restoration、Deep Learning、Image Stitching、Phototoxicity、Denoising。本站分类：肿瘤/乳腺癌。
【获取与许可】
源站页面：https://gigadb.org/dataset/102787/
使用许可：Creative Commons Zero v1.0 Universal。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5524/102787
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
我们的项目旨在满足对更多样化、更具代表性的数据集的需求，以便用于训练和基准测试荧光显微图像去噪的深度学习模型。该数据集包含15个子数据集，这些子数据集在样本类型（肌动蛋白、乳腺癌阵列、蚯蚓、鱼鳃、转盘式大鼠睾丸、人类卵巢活跃期、未成熟卵巢、线粒体、小鼠大脑、兔睾丸和微管蛋白）、物镜放大倍数、染色类型、激发、曝光时间和图像大小方面各不相同。每个子数据集包含低信噪比（SNR）和高信噪比图像对。该数据集总共包括324对图像。该数据集可用于基准测试深度学习模型，并扩展了在各种成像条件下产生的真实噪声条件下评估模型性能的能力。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
