[论文解读] Single molecule localization microscopy challenge: a biologically inspired benchmark for long-sequence modeling

Fatemeh Valeh, Mónika Farsang+2 more|arXiv (Cornell University)|Mar 11, 2026

Neural Networks and Reservoir Computing被引用 0

一句话总结

本文介绍了 SMLM-C，这是一个基于仿真的基准，用于在具有真实地 ground truth 的稀疏、时序不规则的单分子定位数据上评估长上下文状态空间模型，并在 dSTORM 条件下评估 S5 与 Mamba-2 架构。结果发现随时间不连续性和闪烁稀疏性的增加，性能下降，凸显当前的局限性以及在 SMLM 重构中需要更鲁棒的序列模型。

ABSTRACT

State space models (SSMs) have recently achieved strong performance on long sequence modeling tasks while offering improved memory and computational efficiency compared to transformer based architectures. However, their evaluation has been largely limited to synthetic benchmarks and application domains such as language and audio, leaving their behavior on sparse and stochastic temporal processes in biological imaging unexplored. In this work, we introduce the Single Molecule Localization Microscopy Challenge (SMLM-C), a benchmark dataset consisting of ten SMLM simulations spanning dSTORM and DNA-PAINT modalities with varying hyperparameter designed to evaluate state space models on biologically realistic spatiotemporal point process data with known ground truth. Using a controlled subset of these simulations, we evaluate state space models and find that performance degrades substantially as temporal discontinuity increases, revealing fundamental challenges in modeling heavy-tailed blinking dynamics. These results highlight the need for sequence models better suited to sparse, irregular temporal processes encountered in real world scientific imaging data.

研究动机与目标

• 促使在生物现实、稀疏的 SMLM 数据上评估长上下文序列模型。
• 引入含地真实发射体位置的十场景仿真基准 SMLM-C，覆盖 dSTORM 与 DNA-PAINT。
• 在不同时间不连续性下评估状态空间模型（S5 与 Mamba-2）的性能。
• 提供关于 SMLM 重建中模型容量、尺度化以及对时间稀疏性鲁棒性的洞察。

提出的方法

• 用十个仿真 SMLM 序列（dSTORM 与 DNA-PAINT）构建 SMLM-C，特征为稀疏定位、重量尾部闪烁和定位噪声。
• 将 SMLM 重建建模为序列到集合的预测任务，将定位序列映射到固定大小的发射体位置集合。
• 评估带回归头的 S5 和 Mamba-2 长上下文状态空间模型，将汇聚表征映射到发射体坐标。
• 使用 AdamW 训练，结合 Chamfer 距离损失，并通过验证集的匈牙利误差选择模型。
• 使用一个置换不变、固定大小的输出集来表示发射体坐标，并通过检测度量和真阳性 RMSE 进行评估。

实验结果

研究问题

• RQ1 在生物学现实、稀疏且不规则闪烁的 SMLM 序列上，长上下文状态空间模型的表现如何？
• RQ2 增加时间不连续性（更长的关闭时间）如何影响定位精度和发射体回收？
• RQ3 在 SMLM 稀疏性条件下，更大容量的模型（S5-S vs S5-L，Mamba-2-S vs Mamba-2-L）是否提升性能？
• RQ4 在面对观测中的较长时间间隙时，是否有一种架构比另一种更鲁棒？

主要发现

• 随时间不连续性增加（更长的关闭时间），两大模型族的性能均下降。
• 更大规模的模型变体在验证集和测试集上表现出更低的误差，表明具备更好的长期依赖建模能力。
• 在长时间关闭场景中，Mamba-2 的表现优于 S5，提示对延长时间间隙具有更好的鲁棒性，但计算成本更高。
• 本研究中短时关闭条件下的最高检测准确率约为 73%，仍有较大提升空间。
• 在各种条件下，较长的关闭时间会降低检测准确性并增加误差，凸显在较长视野内区分闪烁事件的基本挑战。