論文の概要: ACE-HetEM for ab initio Heterogenous Cryo-EM 3D Reconstruction
- arxiv url: http://arxiv.org/abs/2308.04956v1
- Date: Wed, 9 Aug 2023 13:41:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 13:22:30.195030
- Title: ACE-HetEM for ab initio Heterogenous Cryo-EM 3D Reconstruction
- Title(参考訳): Ab initio Heterogenous Cryo-EM 3D 再建のためのACE-HetEM
- Authors: Weijie Chen, Lin Yao, Zeqing Xia, Yuhang Wang
- Abstract要約: 本稿では,暗黙的推論に基づく非教師型ディープラーニングアーキテクチャであるACE-HetEMを提案する。
ACE-HetEMはポーズ推定の精度に匹敵し,非アモタイズ法よりも分解能が高いことを示す。
- 参考スコア(独自算出の注目度): 12.662958304054964
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to the extremely low signal-to-noise ratio (SNR) and unknown poses
(projection angles and image translation) in cryo-EM experiments,
reconstructing 3D structures from 2D images is very challenging. On top of
these challenges, heterogeneous cryo-EM reconstruction also has an additional
requirement: conformation classification. An emerging solution to this problem
is called amortized inference, implemented using the autoencoder architecture
or its variants. Instead of searching for the correct
image-to-pose/conformation mapping for every image in the dataset as in
non-amortized methods, amortized inference only needs to train an encoder that
maps images to appropriate latent spaces representing poses or conformations.
Unfortunately, standard amortized-inference-based methods with entangled latent
spaces have difficulty learning the distribution of conformations and poses
from cryo-EM images. In this paper, we propose an unsupervised deep learning
architecture called "ACE-HetEM" based on amortized inference. To explicitly
enforce the disentanglement of conformation classifications and pose
estimations, we designed two alternating training tasks in our method:
image-to-image task and pose-to-pose task. Results on simulated datasets show
that ACE-HetEM has comparable accuracy in pose estimation and produces even
better reconstruction resolution than non-amortized methods. Furthermore, we
show that ACE-HetEM is also applicable to real experimental datasets.
- Abstract(参考訳): 極低信号-雑音比 (SNR) と未知のポーズ (投影角度と画像変換) により, 2次元画像から3次元構造を再構成することは極めて困難である。
これらの課題に加えて、不均一なCryo-EM再構成にも追加の要件がある。
この問題に対する新たな解決策は、オートエンコーダアーキテクチャやその変種を用いて実装された、アモータライズ推論(amortized inference)と呼ばれる。
非amortizedメソッドのようにデータセット内のすべてのイメージに対して、正しいイメージ-ポーズ/コンフォーメーションマッピングを探す代わりに、償却推論は、ポーズやコンフォーメーションを表す適切な潜在空間にイメージをマッピングするエンコーダをトレーニングするだけでよい。
残念なことに、エンタングルな潜在空間を持つ標準無形参照法では、cryo-em画像からのコンフォメーションの分布やポーズの学習が困難である。
本稿では,非教師付きディープラーニングアーキテクチャであるACE-HetEMを提案する。
コンフォメーション分類の不整合とポーズ推定を明示的に強制するために,画像から画像へのタスクとポーズからポーズへのタスクという2つの交互なトレーニングタスクを設計した。
シミュレーションデータセットの結果,ace-hetemはポーズ推定の精度が同等であり,非amortized法よりも高い再現性が得られた。
さらに,ACE-HetEMは実実験データセットにも適用可能であることを示す。
関連論文リスト
- SD-MVS: Segmentation-Driven Deformation Multi-View Stereo with Spherical
Refinement and EM optimization [6.886220026399106]
テクスチャレス領域の3次元再構成における課題を解決するために,多視点ステレオ (SD-MVS) を導入する。
私たちは、シーン内のセグメンテーションインスタンスを区別するためにSAM(Segment Anything Model)を採用した最初の人です。
球面座標と正規点の勾配勾配と深度の画素方向探索間隔を組み合わせた独自の精細化戦略を提案する。
論文 参考訳(メタデータ) (2024-01-12T05:25:57Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Doppelgangers: Learning to Disambiguate Images of Similar Structures [76.61267007774089]
幻像マッチングは、人間が区別することは困難であり、3D再構成アルゴリズムに誤った結果をもたらす可能性がある。
本稿では,視覚的曖昧化に対する学習に基づくアプローチを提案し,イメージペア上でのバイナリ分類タスクとして定式化する。
本手法は, 難易度の高い画像の一致を識別し, SfMパイプラインに統合することにより, 正確な3次元再構成を実現できることを示す。
論文 参考訳(メタデータ) (2023-09-05T17:50:36Z) - APRF: Anti-Aliasing Projection Representation Field for Inverse Problem
in Imaging [74.9262846410559]
Sparse-view Computed Tomography (SVCT) は画像の逆問題である。
近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。
自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)-
APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
論文 参考訳(メタデータ) (2023-07-11T14:04:12Z) - Boosted ab initio Cryo-EM 3D Reconstruction with ACE-EM [19.585695160684363]
ACE(Asymmetric Complementary AutoEncoder)と呼ばれる改良されたオートエンコーダアーキテクチャを提案する。
従来の手法と比較して、ACE-EMはトレーニング時間内により高いポーズ空間に到達した。
ACE-EMはニキスト分解能に到達した唯一の償却推論法である。
論文 参考訳(メタデータ) (2023-02-13T04:18:58Z) - EDICT: Exact Diffusion Inversion via Coupled Transformations [13.996171129586731]
拡散過程(反転と呼ばれる)に入力画像を生成する初期ノイズベクトルを見つけることは重要な問題である。
本稿では,アフィン結合層からインスピレーションを得るための逆変換法であるEDICT(Exact Diffusion Inversion)を提案する。
EDICTは、2つの結合ノイズベクトルを維持することにより、実画像とモデル生成画像の数学的に正確な逆変換を可能にする。
論文 参考訳(メタデータ) (2022-11-22T18:02:49Z) - Amortized Inference for Heterogeneous Reconstruction in Cryo-EM [36.911133113707045]
低温電子顕微鏡(cryo-EM)は、タンパク質やその他の生命の構成要素の力学に関する洞察を提供する。
生物分子のポーズ、3次元構造、配座の不均一性を共同で推定するアルゴリズムの課題は未解決のままである。
この方法であるCryoFIREは、不動化フレームワークで未知のポーズを伴って、ab initioheregeneous Restructionを行う。
精度を損なうことなく、何百万もの画像を含むデータセットに対して、1桁のスピードアップを提供できることを示す。
論文 参考訳(メタデータ) (2022-10-13T22:06:38Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳(メタデータ) (2022-07-09T13:35:12Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳(メタデータ) (2022-07-06T21:40:59Z) - RISP: Rendering-Invariant State Predictor with Differentiable Simulation
and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。
本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。
提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
論文 参考訳(メタデータ) (2022-05-11T17:59:51Z) - VIO-Aided Structure from Motion Under Challenging Environments [12.111638631118026]
本稿では,難しい環境下で正確な3次元再構成を行うための,ロバストで効率的なモーションパイプライン構造を提案する。
具体的には,候補画像対の事前幾何配置を考慮し,ミスマッチをフィルタリングする幾何検証手法を提案する。
論文 参考訳(メタデータ) (2021-01-24T06:35:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。