SAFT는 다양한 SR 모델 아키텍처와 호환되며 3D 이미징에 적용할 수 있습니다( 그림 S16 ). 29 , 30 특히 SAFT의 정확도는 노이즈 제거 모델의 효율성에 따라 달라집니다. 노이즈 제거가 부정확하면 오류가 발생할 수 있습니다( 그림 S10 D). 고급 노이즈 제거 모델을 통합하면 효율적이고 정확한 노이즈 감소를 통해 SAFT의 전반적인 정확도를 향상시킬 수 있습니다. 그러나 SAFT는 회절 한계 이미지에 의존하기 때문에 나노 규모 단백질 복합체를 이미징할 때 아티팩트를 억제하는 데 어려움이 있습니다. 생세포 SR 이미지에서 아티팩트를 더욱 정량화하고 줄이기 위해 생세포 SMLM을 SAFT에 통합했습니다. 추가적인 깜빡임 라벨인 HaloTag-TMR-blinking 17을 설계하여 EGFP의 LR 신호와 함께 추가적인 SMLM 신호를 수집했습니다( 그림 S17 A; 비디오 S5 ). SFSRM 이미지의 시간 투영을 생세포 SMLM 재구성과 비교하여 약지도 미세 조정(SAFT-WSF)을 통해 SAFT의 손실을 계산했습니다. 각 이미징 세션에서 LR 이미지 시퀀스 하나와 SMLM 이미지 시퀀스 하나를 얻었습니다. SFSRM과 생세포 SMLM 재구성의 시간 투영 간의 MAE를 SAFT-WSF의 손실 함수로 사용했습니다. 메타 구조 이론에 따르면, 특정 시간 창 내의 단일 분자 위치 신호의 중첩은 이상적인 고해상도 구조의 희소 샘플링에 사용될 수 있으며 실제 구조의 분포를 정확하게 반영합니다. SAFT-WSF 프로세스가 완료되면 미세 조정된 SR 모델은 이 데이터 세트 또는 유사한 조건에서 이미지를 추론하는 데 적합합니다. 실험에서 SAFT-WSF는 일반적으로 2~10회 반복이 필요했고 완료하는 데 5~10분이 소요되었습니다. SAFT-WSF의 목적 함수는 다음과 같이 공식화할 수 있습니다.
