論文の概要: Cryo-SWAN: the Multi-Scale Wavelet-decomposition-inspired Autoencoder Network for molecular density representation of molecular volumes

• arxiv url: http://arxiv.org/abs/2603.03342v1
• Date: Wed, 18 Feb 2026 18:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.171858
• Title: Cryo-SWAN: the Multi-Scale Wavelet-decomposition-inspired Autoencoder Network for molecular density representation of molecular volumes
• Title（参考訳）: 分子量密度表現のためのマルチスケールウェーブレット分解誘導オートエンコーダネットワークCryo-SWAN
• Authors: Rui Li, Artsemi Yushkevich, Mikhail Kudryashev, Artur Yakimovich,
• Abstract要約: Cryo-SWANは、マルチスケールウェーブレット分解にインスパイアされたボクセルベースの変分自動エンコーダである。 最先端の3Dオートエンコーダに比べて、再現性は一貫して向上する。
• 参考スコア（独自算出の注目度）: 5.24224690492277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning robust representations of 3D shapes from voxelized data is essential for advancing AI methods in biomedical imaging. However, most contemporary 3D computer vision approaches operate on point clouds, meshes, or octrees, while volumetric density maps, the native format of structural biology and cryo-EM, remain comparatively underexplored. We present Cryo-SWAN, a voxel-based variational autoencoder inspired by multi-scale wavelet decomposition. The model performs conditional coarse-to-fine latent encoding and recursive residual quantization across perception scales, enabling accurate capture of both global geometry and high-frequency structural detail in molecular density volumes. Evaluated on ModelNet40, BuildingNet, and a newly curated dataset of cryo-EM volumes, ProteinNet3D, Cryo-SWAN consistently improves reconstruction quality over state-of-the-art 3D autoencoders. We demonstrate that the molecular densities organize in learned latent space according to shared geometric features, while integration with diffusion models enables denoising and conditional shape generation. Together, Cryo-SWAN is a practical framework for data-driven structural biology and volumetric imaging.
• Abstract（参考訳）: バイオメディカルイメージングにおいて, ボキセル化データから3次元形状の堅牢な表現を学習することはAI手法の進歩に不可欠である。 しかし、現代の3Dコンピュータビジョンのアプローチのほとんどは、点雲、メッシュ、オクツリーで運用されているのに対し、体積密度マップ(構造生物学とCryo-EMのネイティブなフォーマット)は、比較的過小評価されている。 マルチスケールウェーブレット分解にインスパイアされたボクセルベースの変分自動エンコーダCryo-SWANを提案する。 このモデルは、知覚スケール全体にわたる条件付き粗大な潜伏符号化と再帰的残留量子化を行い、分子密度の体積における大域的幾何と高周波構造的詳細の両方を正確に捉えることができる。 ModelNet40, BuildingNet, and a new curated data of cryo-EM volume, ProteinNet3D, Cryo-SWANは、最先端の3Dオートエンコーダの再構築品質を一貫して改善している。 分子密度は、共有幾何学的特徴により学習された潜在空間内で構成され、拡散モデルと統合することで、分解および条件付き形状の生成が可能であることを示す。 Cryo-SWANはデータ駆動型構造生物学とボリュームイメージングの実践的なフレームワークである。

関連論文リスト

• CryoLVM: Self-supervised Learning from Cryo-EM Density Maps with Large Vision Models [20.31346781705925]
  CryoLVMは, 解析された構造を持つ実験密度写像から, リッチな構造表現を学習する基礎モデルである。 我々は,CryoLVMの有効性を,密度マップのシャープ化,密度マップの超解像化,ウェッジ復元の欠如という3つのクリティカルなCryo-EMタスクで実証した。
  論文  参考訳（メタデータ） (2026-02-02T13:36:36Z)
• Diffusion Model-Based Data Augmentation for Enhanced Neuron Segmentation [7.83854380301501]
  現在のディープラーニングベースの手法は、大規模なトレーニングデータと、広範囲で時間を要するマニュアルアノテーションに依存しているため、制限されている。 本稿では,多種多様かつ構造的に妥当な画像ラベルペアを生成することができる拡散型データ拡張フレームワークを提案する。 提案手法は, 2つの異なる後処理法と組み合わせることで, それぞれ32.1%, 30.7%向上する。
  論文  参考訳（メタデータ） (2026-01-22T09:12:05Z)
• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• Self-Attention Based Multi-Scale Graph Auto-Encoder Network of 3D Meshes [1.573038298640368]
  3D Geometric Mesh Network(3DGeoMeshNet)は、異方性畳み込み層を用いて空間領域内でグローバルな特徴とローカルな特徴を直接学習する新しいGCNベースのフレームワークである。 我々のアーキテクチャはマルチスケールエンコーダ・デコーダ構造を特徴とし、大域的および局所的な経路は大規模な幾何学的構造と微細な局所的詳細の両方を捉えている。
  論文  参考訳（メタデータ） (2025-07-07T07:36:03Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• CryoFormer: Continuous Heterogeneous Cryo-EM Reconstruction using Transformer-based Neural Representations [49.49939711956354]
  核電子顕微鏡(cryo-EM)は、タンパク質やその他の生体分子の3D構造を高分解能で再構築することを可能にする。 3次元構造の連続的な動きをノイズやランダムに配向した2次元Creo-EM画像から再構成することは依然として困難である。 我々はCryoFormerを提案する。CryoFormerは連続したヘテロジニアスCryo-EM再構成のための新しいアプローチである。
  論文  参考訳（メタデータ） (2023-03-28T18:59:17Z)
• CryoAI: Amortized Inference of Poses for Ab Initio Reconstruction of 3D Molecular Volumes from Real Cryo-EM Images [30.738209997049395]
  粒子ポーズの勾配に基づく最適化と単一粒子Creo-EMデータからの電子散乱電位を用いた等質コンフォーメーションのためのアブイニシアト再構成アルゴリズムであるCreoAIを紹介する。 CryoAIは、シミュレーションデータと実験データの両方に対して、最先端のCryo-EMソルバと同等の結果を得る。
  論文  参考訳（メタデータ） (2022-03-15T17:58:03Z)

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。