为了扩大他们的采样量，他们通常采用较低的成像放大倍数。然而，这牺牲了它们的成像分辨率，给后续的工作带来了挑战。浮游生物物种识别。

为了缓解这种情况 放大分辨率的困境，中国科学院深圳先进技术研究院 (SIAT) 的李建平博士团队开发了一种新颖的图像超分辨率方法，用于将原位浮游生物图像的分辨率从低到高的。

他们的研究题为“原位浮游生物图像的超分辨率”发表在 2021 年国际计算机视觉会议上。

研究人员使用名为 IsPlanktonSR 的大规模真实世界数据集训练了一个名为增强型深度残差网络 (EDSR) 的深度学习模型。在训练过程中，他们尝试了不同的损失函数，并通过使用传统的下采样和 IsPlanktonSR 数据集来比较模型性能。

通过大量实验，该团队已经证明，通过上下文损失对真实数据进行训练的模型提供了最佳的视觉和定量 SR 性能。

该模型已被证明可以很好地推广到各种浮游生物物种的图像或由不同仪器捕获的图像。

未来，开发的技术有望增强现有的浮游生物图像并加强下一代浮游生物成像仪，以获得更好的观测能力，从而加深我们对深海奥秘的了解。