在夜间驾驶场景中，光照不足和雾气使得图像质量急剧下降，给驾驶员和自动驾驶系统带来了严峻挑战。针对这一问题，提出了一种面向夜间驾驶场景的新颖图像去雾算法。该算法不依赖于传统的先验理论，而是从重建的角度出发，将夜间雾图像视为雾层和背景层的叠加，并提出一种无须借助物理成像模型的轻量级超分辨率重建去雾网络。通过引入基于空洞卷积的雾特征提取网络和以雾特征图为监督信息的注意力机制模块，去雾网络能够在保留图像细节的同时有效地去除雾层，生成清晰、对比度高的图像。在两个夜间雾图数据集上，与其他5种先进去雾方法进行了比较实验。实验表明，超分辨率重建去雾网络的去雾结果与其他夜间去雾模型相比均更优。消融实验结果证明了基于雾特征监督的注意力模块可以显著提升网络的去雾能力。研究为解决夜间驾驶场景下的图像质量问题提供了新的思路和方法，对提高驾驶安全性和自动驾驶系统的可靠性具有重要意义。

针对基于数字微镜器件（DMD）的红外超分辨率系统的简化设计和成像质量提升问题，深入研究了基于DMD的红外超分辨率成像理论，提出系统简化设计思路，并获取了简化后系统所对应的点扩散函数。在此基础上，构建了基于T-L（TVAL3-Lucy Richardson）的分块超分辨率复原像质优化模型，开发了一种结合超分辨率重建、图像去模糊复原以及图像去噪的像质优化算法。对于简化设计后系统拍摄的降质图像，使用该算法成功实现了图像分辨率与清晰度的协同提升，有效改善了成像质量。对于简化设计系统，相较于传统的图像复原算法，采用基于T-L的分块超分辨率复原算法实现了2倍超分辨率成像。在仿真成像中，峰值信噪比（PSNR）的平均提升幅度为78.0%，结构相似度（SSIM）的平均提升幅度为71.0%；在室内成像实验中，PSNR提升了58.5%，SSIM提升了57.1%。在室外场景成像实验中，与简化设计系统拍摄的退化图像相比，所提算法实现了有效的细节复现。基于光学系统简化设计的红外超分辨率成像方法能够有效校正由光学像差引起的图像退化，同时提升图像的分辨率和清晰度，这不仅减少了光学元件的数量，降低了系统的制造成本，还提高了能量透过率并增强了系统的成像性能。此外，简化后的系统结构更加紧凑，便于集成和部署，这对于设备轻便性和成本有严格要求的应用场景尤为重要，如便携式安防监控、空间遥感、野外探测等。

The rapid development of super-resolution microscopy has made it possible to observe subcellular structures and dynamic behaviors in living cells with nanoscale spatial resolution, greatly advancing progress in life sciences. As hardware technology continues to evolve, the availability of new fluorescent probes with superior performance is becoming increasingly important. In recent years, fluorescent nanoprobes (FNPs) have emerged as highly promising fluorescent probes for bioimaging due to their high brightness and excellent photostability. This paper focuses on the development and applications of FNPs as probes for live-cell super-resolution imaging. It provides an overview of different super-resolution methods, discusses the performance requirements for FNPs in these methods, and reviews the latest applications of FNPs in the super-resolution imaging of living cells. Finally, it addresses the challenges and future outlook in this field.

Self-labeling protein (SLP) tags, such as HaloTag, have gained considerable interest as advanced tools for live cell labeling. However, the chloroalkane-based substrates that can be directly used for protein labeling are limited. Here, we report two bioorthogonal small molecule linkers, chloroalkane-tetrazine (CA-Tz) and chloroalkane-azide (CA-N₃), which can penetrate cell membranes and facilitate click chemistry-based labeling in live cells. We compare their labeling capability using two clickable silicon rhodamine dyes (SiR-PEG₃-TCO and SiR-PEG₄-DBCO). Confocal imaging results demonstrate that using CA-Tz and SiR-PEG₃-TCO dye exhibits superior intracellular labeling with low nonspecific signals. We subsequently compared the photostability of SiR dyes with that of green fluorescent proteins (mEmerald). Total internal reflection fluorescence (TIRF) imaging indicates that SiR dyes exhibit superior photostability under identical excitation conditions, making them suitable for long-term cell imaging. Furthermore, SiR dyes labeling also shows high structure retention for the fourth-order super-resolution optical fluctuation imaging (SOFI) compared to fluorescent proteins. This study presents clickable HaloTag linkers as effective tools for live cell labeling and imaging, highlighting the high-quality labeling of chloroalkane linkers and clickable dyes for live cell imaging.

针对遥感图像分辨率低于传统图像且受到复杂退化过程的影响，传统生成对抗网络会生成不真实的特征，导致出现伪影和大量虚假、尖锐的边缘等问题。提出了一种基于边缘提取和增强的遥感图像超分辨率网络EEEGAN。该网络首先采用了边缘提取算法TEED以提取图像边缘。其次设计了双重注意力机制TAM以获取图像丰富的空间和通道信息。同时提出了一种基本块RRDJB以扩大模型的处理能力，并引入下采样网络SPD进一步减少细节损失。在RSOD数据集的基础上，根据退化模型对数据集进行了不同的数据退化处理。结果表明文中所提出的模型，在不同的退化条件下，与目前的主流图像超分辨率模型相比，指标均有所提升。文中的方法相对于真实增强图像超分辨率对抗网络在退化条件I的样本上SSIM提升了0.034，PSNR提升了1.329 8 dB。图像在重建后，边缘细节的视觉效果更好。并且，在DIOR和HRSC2016数据集上均取得了良好的泛化效果。

双焦点器件在高分辨率显微镜成像、激光切割等领域中有着广泛的应用。现有双焦点器件存在结构复杂、加工难度大等问题。提出了一种基于空间光调制器的远场超分辨双焦点聚焦光场构建方法。基于光学超振荡原理，结合二进制粒子群优化算法和角谱衍射理论，设计了两个具有不同焦距的单焦点聚焦二值相位超振荡掩模。通过布尔逻辑“与”运算，得到双焦点聚焦二值相位超振荡掩模。采用该方法，针对波长λ=632.8 nm的圆偏振光，设计了焦距分别为280000λ（177184 μm）和300000λ（189840 μm）的双焦点聚焦超振荡掩模。实验中，将超振荡掩模载入空间光调制器，成功实现了远场超分辨双焦点聚焦。实验结果与理论计算结果高度一致：两个聚焦焦斑的横向峰值半峰全宽分别为20.333 μm和20.353 μm，均低于对应的衍射极限，同时保持了较低的旁瓣。该方法具有易于实现、设计焦距可控等优点，在光通信、生物医学成像等领域中具有广阔的应用前景。

光场(LF)图像是一种能够记录光线方向和强度的图像,它可以提供丰富的视觉信息。近期,众多基于卷积神经网络(CNN)或Transformer的网络结构在光场图像处理任务中展现了巨大潜力。然而,由于光场图像在空间与角度之间的角度采样稀疏性,充分提取特征信息并挖掘其空间角度相关性成为实现光场图像超分辨率的重要挑战。针对这个问题,提出一种新的网络架构,以更好地重建高分辨率光场图像：经过浅特征提取部分逐渐提取视角内的特征；设计了具有通道注意力的多尺度特征提取模块,以有效融合在光场子空间上学到的特征；通过极平面图像(EPI)表示,将4D空间角度相关性投影到多个2D EPI平面上,通过全局注意力机制进一步学习和捕捉空间角度之间的复杂关联。这些操作能够更好地整合不同角度视图信息,充分挖掘光场子空间中的特征,并实现全局感受野。研究在5个公开的光场数据集上对所提出的方法进行了全面验证,结果表明,提出的方法在光场图像超分辨率任务中取得了更高的PSNR、SSIM值,生成的高分辨率光场图像具有更高的细节保真度和清晰度。