Aivimotion的好处是什么？
AivIAMOTION通过人工智能（AI）提高了去噪方法动态信号增强（DSE）。因此，甚至进一步增强了恒星平台的活细胞成像能力，需要较少的细胞活力，采集速度，图像质量和维度之间的权衡。
动态信号增强（DSE）和AiVIDION工作如何？
DSE使用滚动平均计算作为其核心算法。滚动窗口的比率是相邻成像帧之间的噪声是随机的，而生物信号被保留。因此，通过用滚动窗口的几个相邻的成像帧进行平均，在不需要的噪声“平均输出”的同时，突出相关的生物信号。在更多专家术语中，DSE增加了信噪比（SNR），从而导致更好的图像质量。
视频1：示出使用用于滚动窗口（括号）的五个原始数据帧（上部图像）的囊泡（大红色圆圈）的DSE计算。噪声（小红色点）在输出帧（较低图像）中突出生物信号（大红色圆圈）时平均出来。注意，为简单起见，未显示DSE的权重参数。权重参数控制RAW数据帧进行滚动窗口计算的贡献（即，中央帧比外围帧更加权），因此有助于优化时间动态的保存。
使用AivIAMOTION，我们现在为DSE推出一个新的选项，它使用AI在获取的“原始数据框架”之间以在所谓的“原始数据帧”之间插入所谓的“AiVIDION帧”。使用来自AiviaTion帧的附加信息进行滚动平均计算，DSE现在可以同时达到更高的SNR和更好的时间动态。
视频2：描绘激活AiVIATION选项的DSE计算的方案。由于所获取的原始数据帧（带有白色轮廓的上部图像）和AiviCION帧（具有蓝色轮廓的上部图像）用于滚动窗口计算，因此使用激活的AiVIAMotion选项更好地保留时间动态（由熟悉的红色圆圈表示）在较低的图像中）。与前一个例子（“vanilla”DSE）相反，现在可以使用仅超过三个获取的原始数据帧的平均来使用，因为额外的两个AiVIDION帧仍然用于滚动窗口计算的总共五个帧。在顶部，因为自己的AiviaTion帧本身也过滤噪音，而不仅仅是时间动态更好地保存，而且SNR也高于Vanilla DSE。
什么是aivimotion的潜在技术？
AivIAMOTION基于作为卷积神经网络（CNN）的专用类型的深度神经网络架构。非常实现AivIAMOTION的基于所谓的“CAIN”网络（渠道注意是视频帧插值，CHOI等，2020）。
有哪种实验是艾滋病的作品？
- 什么样的动作？
与AiVIAMOTION的帧插值最适合对象的小型线性位移。
- 什么样的标本?
AiviaMotion使用大量的训练数据进行训练。我们使用了来自100多个不同显微镜延时的6000多幅图像，对领域特异性数据(从细胞培养中的细胞骨架到斑马鱼视网膜的膜染色)的深层神经网络进行微调。因此，我们假设可致力于概括在各种标本和应用中的概括。
- 什么样的成像数据？
AiviaMotion的工作涉及一个时间维度的成像数据，例如xyt和xyczt扫描。此外，AiviaMotion工作在FOV(视场)和共振扫描仪，以及不同模式的STELLARIS平台，如共焦，潜水和DLS.。对于Tausense Toolbox，AiviaTion在所有强度数据上工作，即在使用寿命信息用于采集的图像上，而是由此产生的图像的一部分（例如，它适用于TauseAleation，而不是Taucontrast）。
DSE / Aivimotion可以与闪电结合吗？
DSE(包括AiviaMotion)可以与LIGHTNING结合。当与共振扫描器结合使用时，这种组合尤其有益，可用于多个荧光团的快速和温和的活细胞成像。此外，DSE和LIGHTNING的处理可以串联起来，即通过一个“启动”命令，可以启动两个图像处理步骤的计算。
用不同的AiVIDION水平插入多少帧？
Aivimotion有三个不同的水平：“1”，“2”和“3”。AivIDION级别控制图像系列应用了多种迭代的迭代，例如，在AiVIDION级别1的情况下，应用了一种迭代的AiVIDION（等等）。
然而，AiviaMotion级别并不直接表示在单个获取的原始数据帧之间插入的帧数。在AiviaMotion第1级的单次迭代中，仅在单个获取的原始数据帧之间插入一幅图像。对于AiviaMotion级别2，在第一次迭代中，在两个相邻的原始数据帧之间插入一个单独的AiviaMotion帧，在第二次迭代中添加了两个额外的AviaMotion帧(一个在“左”原始数据帧和第一次迭代的AiviaMotion帧之间，以及第一次迭代的AiviaMotion帧和“正确的”原始数据帧之间的帧)。所以，总共有三个AiviaMotion帧插入了AiviaMotion level 2。最后，使用上面的完全相同的推理，但通过三次迭代，AiviaMotion级别3在两个相邻的原始数据帧之间添加了总共7帧。更一般地说，插入两个相邻的原始数据帧之间的帧数可以用2来计算一世-1参数的位置一世为AiviaMotion迭代次数。
沿着这些线，经常需要知道用于给定滚动平均窗口大小和AiVIDION水平的总帧的总数。因此，这里是用于使用五个原始数据帧的DSE设置的示例，以及用于滚动平均计算的结果的总帧的结果给出不同的AiVIDION级别。
Aivimotion水平（i） |
框架原始（n） |
框架aivimotion |
框架总数（t） |
泛化（总计框架） |
0. |
5. |
0 * 4 = 0 |
5. |
n +（20.- 1）*（n - 1）= n |
1 |
5. |
1 * 4 = 4 |
9. |
n +（21- 1）*（n - 1）= 2n - 1 |
2 |
5. |
3 * 4 = 12 |
17. |
n +（22- 1）*（n - 1）= 4n - 3 |
3. |
5. |
7 * 4 = 28 |
33. |
n +（23.- 1 * (n - 1) = 8n - 7 |
表：用于DSE滚动窗口计算的帧数（t）作为给定的AiviDION水平（i）和原始框架（n）的函数;t = n +（2一世- 1）*（n - 1）。
使用更高的AiviaMotion水平的比率是，通过对更多的AiviaMotion插值帧进行平均，信噪比可能会进一步提高。这个策略特别适用于滚动窗口的大小不能增加(即，使用更多的原始图像计算是不可行的)，因为最好的时间动态是关键的实验。
Aivimotion是否会增加帧率？
不，AiviaMotion不会增加输出帧的数量，即动态信号增强(DSE)的输出帧的数量是不变的-不管AiviaMotion选项是否被激活。然而，AiviaMotion确实暂时性地增加了帧数，即作为计算DSE滚动窗口的输入帧数增加了。然而，由于滚动窗口以步长考虑AiviaMotion级别的方式移动(即，它与插入相邻原始数据帧之间的帧数成正比)，输出帧数独立于选定的AiviaMotion级别，因此是不变的。总之，AiviaMotion通过缩小滚动窗口的尺寸(参见FAQ问题2)，在不增加帧率的情况下，有助于更好地保存试样的时间动态。
AiviaMotion也能插值z维吗?
目前，AiviaMotion可以对t维进行帧插值。由于AiviaMotion只添加一个参数到动态信号增强(t-插值迭代次数)，AiviaMotion很容易使用，可以通过单击激活。
它科学上可以使用动态信号增强（DSE）和AivIDION来表达数据吗？
DSE使用滚动平均计算作为其核心算法。使用滚动平均值被广泛建立为去除噪声的方法，应用领域从成像数据到储蓄图。AiVIAMOTION选项将深度神经网络添加到DSE处理。与许多其他深度学习算法相比，AiVIDION不在单个图像和数据的空间域上运行，而是在多输入图像和时间域上运行。因此，AiVIATION在处理数据的“时间一致性”上excel。此外，由于AivIAMOTION是“仅”为DSE滚动窗口计算添加一些帧，因此总是有一个用于去噪的“地面真理”原始数据帧和AiviDION帧的混合。最后，用户始终是将DSE结果与无能性进行比较。因此，特别是对于定量分析（例如，测量荧光强度水平），用户可以容易地确认AivIDION的正确工作。
AiviaMotion算法可以训练吗?
目前，我们没有为您提供培训AiVIDION插值算法的机会。但是，我们用预先接受训练的深度学习模型运输Aivimotion，首先在广泛的公共视频数据集上培训，然后通过传输学习在域特定的显微镜数据集上进行微调。因此，我们假设可致力于概括在各种标本和应用中的概括。
动态信号增强（DSE）的权重参数是否对AivIDION帧插值产生了任何影响？
对于DSE，并非所有帧都同样计算。在DSE中使用的“权重”参数，该参数决定了靠近滚动窗口中心的框架，以及更多远程帧，有助于此计算。
然而，在通过帧插值生成AiVIDIMOTION帧时不考虑权重参数，因为在任何情况下，只能从AiVIDION算法使用两个相邻帧。当在原始数据帧和AiVIDION帧上应用滚动窗口计算时，如上所述，考虑重量参数，用于滚动窗口计算。总之，权重参数不用于AiVIDION帧插值，但在滚动平均计算过程中稍后使用。
处理时间尺度如何与AiviaTion迭代的数量缩放？
每个AiVIATION圆形所需的时间不均匀。由于每个AiVIDIATION迭代几乎加倍输入图像的输入图像的数量，因此以下AiviaTion迭代只需两倍即可。因此，虽然第二次迭代将采用比第一个间隔的两倍，但第三次迭代将采用四倍的间隔。当与闪电结合时，动态信号增强（包括AiVIAMOTION的DSE）的处理时间和闪电只是加起来，因为它们是顺序执行的。此外，由于AiVIDION帧仅瞬变（即，来自DSE的输出帧的数量不变 - 无论应用程序的应用水平）如何，闪电的处理时间与所采用的AiVIDION级别无关。