StomaGAN由 Jonathon 博士和 Alexandra Gibbs 博士开发的 StomaGAN 是一款专门用于生成高度逼真图像的人工智能模型，其逼真程度甚至连模型本身都难以区分。这些人工生成的图像在训练深度学习模型中发挥着至关重要的作用，帮助它们学习识别和分析真实图像中的特定特征。StomaGAN 尤其专注于 气孔，植物叶片上调节气体交换的微小开口。
作物产量很大程度上取决于两个主要因素：植物光合作用的效率以及水的供应。这一过程的核心是 气孔植物表面的微小开口，在气体交换中起着至关重要的作用。每个气孔周围都有 保卫细胞，控制气孔何时打开和关闭。在 光合作用，植物吸收 二氧化碳（CO₂） 通过这些孔隙，这对于产生能量至关重要。同时， 水蒸气 从叶子中逸出的过程称为 出汗。二氧化碳摄入量和水分流失之间的微妙平衡直接影响植物的生长，并最终影响作物的产量。
通过研究气孔的特性，例如密度、分布、大小以及开闭速率（也称为节律），我们可以增强光合作用并提高水分利用效率。这些知识可以提高作物产量，尤其是在干旱等严酷条件下，从而有助于改善农业产量和粮食安全。
过去七年来，在发展方面取得了重大进展 用于检测和注释气孔的深度学习工具，为气孔分析的自动化提供了一种快速有效的方法。 注解 涉及向图像添加元数据，详细说明气孔边界的识别及其形态特征，例如大小和密度。然而，气孔识别和表征的准确性和精确度几乎完全取决于底层数据集的质量。深度学习会学习它所接收到的信息，如果提供的数据集注释不充分，深度学习模型也会生成注释不充分的图像。
创建此训练数据集既耗时又繁琐。研究人员使用固定叶片样本、表皮剥落或印迹来捕捉气孔的显微镜图像。软件工具包括 图像, 标签图像和 任何片段 然后使用这些工具来注释这些图像。虽然这些工具可以自动检测气孔，但在对比度不足的情况下，它们往往难以识别。此外，用户仍然需要手动注释气孔形态，这增加了总体时间投入。
使用高质量的人工图像可以解决这个问题。
诺丁汉大学的乔纳森·吉布斯博士和亚历山德拉·吉布斯博士 开发了一种利用深度学习技术生成气孔人工图像的新工具。 该工具 StomaGAN 基于生成对抗网络 (GAN)，这是一种用于生成逼真图像的神经网络。
GAN 由两个关键部分组成： 发电机 配备 判别器，它们在一个称为 对抗性游戏.
此 发电机 就像一位艺术家试图绘制逼真的图画。它从随机生成图像开始，逐渐通过识别真实图像中的重要细节（例如边缘、形状和纹理）来学习改进。它的目标是创作出尽可能逼真的图像。
此 判别器 就像一位艺术评论家。它会检查图像，并判断它们是真实的（来自实际数据集）还是伪造的（由生成器创建）。最初，生成器的图像可能不太令人信服，但随着时间的推移，它会通过从鉴别器的反馈中学习而不断改进。
生成器和鉴别器之间这种反复的竞争有助于生成器更好地创建逼真的图像。训练得越多，鉴别器就越难区分真假图像。最终，生成器可以创建逼真到甚至连人类观察者都能被骗的图像。
为了创建 StomaGAN，作者首先需要手动注释 559 张指甲油表面印迹的显微镜图像。接下来，对图像进行预处理。在此步骤中，研究人员识别、提取、调整大小并旋转单个气孔，使其方向一致。
经过预处理后，作者对 StomaGAN 进行了训练，以平衡数据生成和判别能力。之后，作者通过调整大小和/或翻转 StomaGAN 生成的人工图像，增强了数据集的大小和多样性。StomaGAN 从用于训练的 10,000 张真实图像中生成了 559 张人工图像。
为了评估人工数据集的实用性，作者比较了现有检测工具在仅使用真实图像进行训练或使用人工图像和真实图像组合进行训练时识别真实图像中气孔的性能。
仅基于真实数据训练的检测工具检测气孔的准确率为 94.7%，而结合人工数据的模型准确率为 99.7%，在图像中 5,000 个气孔中仅误分类了一个。这表明 StomaGAN 能够有效生成高质量的合成数据集，从而实现可靠的气孔检测。这种方法减少了对大量手动数据收集的需求，并简化了复杂的形态学评估，使该过程更加高效，更易于研究人员使用。
StomaGAN 可用于促进大规模数据收集和分析，提高我们对光合作用和水分利用效率以及植物如何响应环境变化的理解。
阅读文章：
Jonathon A Gibbs、Alexandra J Gibbs，《StomaGAN：通过生成对抗网络改进基于图像的气孔分析》， in silico Plants，2025；，diaf002， https://doi.org/10.1093/insilicoplants/diaf002
支持本文结论的数据集可在 Stomata Hub 上公开获取， https://www.stomatahub.com/ 以及 GitHub 存储库 https://github.com/DrJonoG/StomaGAN.
