生物体的正常运作依赖于一系列时空协调的细胞和亚细胞活动。观察和记录这些现象被认为是了解它们的第一步。用光学显微镜成像生物过程的目的是以最少的侵入性获得最多的时空信息。深度神经网络在很大程度上改进了光学显微镜，包括图像的超分辨率和复原，但在人工制品方面仍有很大潜力。
2022年10月6日，中国科学院生物物理研究所李栋、清华大学自动化系戴琼海与美国霍华德休斯医学研究所（HHMI）Jennifer Lippincott-Schwartz在Nature Biotechnology 杂志在线发表题为“Rationalized deep learning super-resolution microscopy for sustained live imaging of rapid subcellular processes”的研究论文，该研究通过整合照明模式的先验知识，将光学成像模型及物理先验与神经网络结构设计相融合，结合高速晶格光片显微镜(lattice light sheet microscopy, LLSM) 开发了合理化深度学习(rationalized deep learning, rDL) 显微成像技术框架，从而实现了高性能、高保真的显微图像去噪与超分辨重建。
研究进一步证明了rDL照明显微镜消除了光谱偏差引起的分辨率退化，将模型的不确定性降低了五倍，超分辨率信息比其他计算方法提高了十倍以上。并通过对高速摆动纤毛（>30Hz）中转运蛋白（IFT）的多种运输行为以及完整细胞分裂过程中核仁液液相分离过程证明了rDL的实用性。
另外，2022年9月26日，清华大学戴琼海、方璐和清华大学深圳国际研究生院王好谦团队合作在Nature Biotechnology杂志在线发表题为“Real-time denoising enables high-sensitivity fluorescence time-lapse imaging beyond the shot-noise limit”的研究论文。为了实现超出散粒噪声限制的高灵敏度荧光成像，该研究提出一种用于实时噪声抑制的自监督深度学习方法——DeepCAD-RT。基于该团队之前开发的DeepCAD技术的框架，将网络参数数量减少了 94%，内存消耗减少了 27 倍，处理时间减少了 20 倍，从而可以在双光子显微镜上进行实时处理。可以使用比标准成像方法少十倍的光子获得高成像信噪比。总之，DeepCAD-RT 将以最小的光子预算促进生物动力学的形态和功能检查（原文链接）。
