論文の概要: Diffusion priors for Bayesian 3D reconstruction from incomplete measurements
- arxiv url: http://arxiv.org/abs/2412.14897v1
- Date: Thu, 19 Dec 2024 14:28:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:30:24.733109
- Title: Diffusion priors for Bayesian 3D reconstruction from incomplete measurements
- Title（参考訳）: 不完全測定によるベイズ3次元再構成の拡散前兆
- Authors: Julian L. Möbius, Michael Habeck,
- Abstract要約: ベイズフレームワーク内の実験データと組み合わせた拡散モデルについて検討する。
中分解能で粗粒3次元構造を生成する拡散モデルを訓練し、これらを不完全でノイズの多い実験データと統合する。
拡散モデルによる後方サンプリングにより,低分解能,低分解能,部分的な観察から3次元再構成が可能であることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Many inverse problems are ill-posed and need to be complemented by prior information that restricts the class of admissible models. Bayesian approaches encode this information as prior distributions that impose generic properties on the model such as sparsity, non-negativity or smoothness. However, in case of complex structured models such as images, graphs or three-dimensional (3D) objects,generic prior distributions tend to favor models that differ largely from those observed in the real world. Here we explore the use of diffusion models as priors that are combined with experimental data within a Bayesian framework. We use 3D point clouds to represent 3D objects such as household items or biomolecular complexes formed from proteins and nucleic acids. We train diffusion models that generate coarse-grained 3D structures at a medium resolution and integrate these with incomplete and noisy experimental data. To demonstrate the power of our approach, we focus on the reconstruction of biomolecular assemblies from cryo-electron microscopy (cryo-EM) images, which is an important inverse problem in structural biology. We find that posterior sampling with diffusion model priors allows for 3D reconstruction from very sparse, low-resolution and partial observations.
- Abstract（参考訳）: 多くの逆問題には誤りがあり、許容可能なモデルのクラスを制限する事前情報によって補う必要がある。
ベイズ的アプローチは、この情報を、疎性、非負性、滑らかさといったモデルに一般的な性質を課す事前分布としてエンコードする。
しかし、画像、グラフ、三次元(3次元)オブジェクトなどの複雑な構造化モデルの場合、生成前の分布は現実世界で見られるものと大きく異なるモデルを好む傾向にある。
本稿では,ベイズフレームワーク内の実験データと組み合わせた拡散モデルの事前利用について検討する。
タンパク質や核酸から形成される3次元の物質や生体分子複合体を3次元の点雲で表現する。
中分解能で粗粒3次元構造を生成する拡散モデルを訓練し、これらを不完全でノイズの多い実験データと統合する。
本研究は, 構造生物学において重要な逆問題である低温電子顕微鏡(cryo-EM)画像からの生体分子集合体の再構築に焦点をあてる。
拡散モデルによる後方サンプリングにより,低分解能,低分解能,部分的な観察から3次元再構成が可能であることが判明した。
関連論文リスト
- Equivariant Blurring Diffusion for Hierarchical Molecular Conformer Generation [18.394348744611662]
Equivariant Blurring Diffusion (EBD) と呼ばれる新しい生成モデルを導入する。
EBDは、コンフォーマーの微細な原子の詳細をぼかすことによって、断片レベルの粗い粒状構造に向かって進む前進過程を定義する。
薬物様分子のベンチマークにおいて, 最先端デノナイジング拡散モデルとの幾何的および化学的比較によるEBDの有効性を実証した。
論文 参考訳（メタデータ） (2024-10-26T19:17:31Z) - Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion
Modeling [83.76377808476039]
本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。
動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。
混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
論文 参考訳（メタデータ） (2023-08-18T16:41:57Z) - Reference-Free Isotropic 3D EM Reconstruction using Diffusion Models [8.590026259176806]
本稿では、参照データや劣化過程に関する事前知識の制限を克服する拡散モデルに基づくフレームワークを提案する。
提案手法では, 2次元拡散モデルを用いて連続的に3次元ボリュームを再構成し, 高精度なサンプルデータに適している。
論文 参考訳（メタデータ） (2023-08-03T07:57:02Z) - Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。
我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
論文 参考訳（メタデータ） (2023-05-02T01:07:22Z) - 3D Equivariant Diffusion for Target-Aware Molecule Generation and
Affinity Prediction [9.67574543046801]
標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。
上記の課題を解決するために,3次元同変拡散モデルを開発した。
我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
論文 参考訳（メタデータ） (2023-03-06T23:01:43Z) - Latent Space Diffusion Models of Cryo-EM Structures [6.968705314671148]
我々は、CryoDRGNフレームワークにおいて、表現的で学習可能な拡散モデルをトレーニングする。
データ分布の正確なモデルを学習することにより、生成モデリング、サンプリング、分布解析のツールを解放する。
論文 参考訳（メタデータ） (2022-11-25T15:17:10Z) - Generative Deformable Radiance Fields for Disentangled Image Synthesis
of Topology-Varying Objects [52.46838926521572]
3D認識生成モデルは、モノクロ2D画像の集合から3Dニューラル放射場(NeRF)を生成するスーパーブパフォーマンスを実証した。
本研究では, トポロジー変化物体の放射場を非交絡形状と外観変化で合成する生成モデルを提案する。
論文 参考訳（メタデータ） (2022-09-09T08:44:06Z) - A Diffusion Model Predicts 3D Shapes from 2D Microscopy Images [36.17295590429516]
2次元顕微鏡画像からの3次元細胞形状予測の逆問題に対する拡散モデルであるdisPRを導入する。
拡散モデルが3次元の逆問題に適用可能であることを示すとともに、2次元顕微鏡画像から現実的な形態的特徴を持つ3次元形状を再構成することを学ぶ。
論文 参考訳（メタデータ） (2022-08-30T10:21:40Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳（メタデータ） (2022-03-31T12:52:25Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳（メタデータ） (2021-10-14T23:05:47Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z)
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。