Fugu-MT 論文翻訳(概要): Atelier: Learning Local Self-Supervised Features for CryoEM Volumes via Hypernetworks

論文の概要: Atelier: Learning Local Self-Supervised Features for CryoEM Volumes via Hypernetworks

arxiv url: http://arxiv.org/abs/2609.30569v1
Date: Thu, 24 Sep 2026 21:30:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 18:27:51.145634
Title: Atelier: Learning Local Self-Supervised Features for CryoEM Volumes via Hypernetworks
Title（参考訳）: Atelier: Hypernetworksを通じてCryoEMボリュームのローカルなセルフスーパービジョン機能を学ぶ
Abstract要約: 再構成されたCryoEMマップのINR適合性を記憶する自己教師型フレームワークであるAtelierを紹介する。 Atelierはトランスフォーマーベースのハイパーネットワークで、さまざまなタンパク質構造にまたがる高忠実な再構成を生成する。以上の結果から,暗黙的ニューラル表現はCryoEMデータの幾何学的解析に有効なプリミティブであることが示唆された。
参考スコア（独自算出の注目度）: 4.688159722264721
License: http://creativecommons.org/licenses/by/4.0/
Abstract: CryoEM map interpretation requires features that are spatially localized, consistent across samples, and informative across spatial scales. Most deep learning methods for map annotation extract features from fixed voxel grids. However, implicit neural representations (INRs) are able to model volumetric data as scale-agnostic, coordinate-conditioned functions. INRs are therefore attractive for cryoEM, but fitting a separate INR for each map is too expensive for large-scale feature extraction and produces representations that are not aligned across samples. We introduce Atelier, a self-supervised framework that amortizes INR fitting for reconstructed cryoEM maps. Pretrained on 5,439 Electron Microscopy Data Bank maps, Atelier is a transformer-based hypernetwork that generates high-fidelity reconstructions across a wide range of protein structures, including large multi-subunit assemblies. Beyond reconstruction, the INR generated by the pretrained transformer exposes a continuous, local feature field through its intermediate activations at any spatial query point, a property that voxel grid and patch-tokenizer architectures do not naturally provide. Used as auxiliary channels to a 3D nested U-Net annotation head trained from scratch, these coordinate-conditioned features improve performance on eight voxel-level property prediction tasks over a volume-only baseline. Our results demonstrate that amortized implicit neural representations are an effective primitive for geometry-aware analysis of cryoEM data.
Abstract（参考訳）: CryoEMマップの解釈には、空間的局所化、サンプル間の一貫性、空間的スケール間の情報化を必要とする。地図アノテーションのための最も深い学習手法は、固定されたボクセルグリッドから特徴を抽出する。しかし、暗黙的なニューラル表現(INR)は、ボリュームデータをスケールに依存しない座標条件付き関数としてモデル化することができる。そのため、INRはCryoEMにとって魅力的であるが、各マップに個別のINRを適合させることは、大規模な特徴抽出には高すぎるため、サンプル間で整列しない表現を生成する。再構成されたCryoEMマップのINR適合性を記憶する自己教師型フレームワークであるAtelierを紹介する。 5,439個の電子顕微鏡データバンクマップに事前トレーニングされたAtelierはトランスフォーマーベースのハイパーネットワークであり、大きなマルチサブユニットアセンブリを含む幅広いタンパク質構造にわたって高忠実な再構成を生成する。再構成以外にも、事前訓練された変換器によって生成されたINRは、任意の空間的クエリポイントにおける中間的アクティベーションを通じて、連続した局所的特徴フィールドを公開する。スクラッチからトレーニングされた3Dネスト付きU-Netアノテーションヘッドの補助チャネルとして使用されるこれらの座標条件付き機能は、ボリュームのみのベースライン上での8つのボクセルレベルのプロパティ予測タスクのパフォーマンスを向上させる。以上の結果から,暗黙的ニューラル表現はCryoEMデータの幾何学的解析に有効なプリミティブであることが示唆された。

関連論文リスト

Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
論文参考訳（メタデータ） (2026-04-16T14:12:06Z)
Enhancing Floor Plan Recognition: A Hybrid Mix-Transformer and U-Net Approach for Precise Wall Segmentation [0.0]
本研究では,Mix-TransformerエンコーダとU-Netデコーダを組み合わせたハイブリッドニューラルネットワークMitUNetを紹介する。我々の手法は精度とリコールのバランスを保ち、正確な境界回復を保証する。 CubiCasa5kデータセットと独自の地域データセットの実験は、構造的に正しいマスクを生成する上でのMitUNetの優位性を示している。
論文参考訳（メタデータ） (2025-12-02T04:47:53Z)
Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文参考訳（メタデータ） (2025-11-21T07:25:49Z)
Attention-Guided Multi-Scale Local Reconstruction for Point Clouds via Masked Autoencoder Self-Supervised Learning [9.390627399366833]
我々は,ポイントクラウド処理のための新しい自己教師型学習フレームワークであるPointAMaLRを紹介する。 PointAMaLRは複数の局所領域にまたがる階層的再構成を実装している。ベンチマークデータセットの実験では、PointAMaLRの分類タスクと再構成タスクの両方において、精度と品質が優れていることが示されている。
論文参考訳（メタデータ） (2025-07-05T16:17:49Z)
Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文参考訳（メタデータ） (2024-07-26T06:29:09Z)
Decomposition of Neural Discrete Representations for Large-Scale 3D Mapping [15.085191496726967]
分解型ニューラルマッピング(DNMap)について紹介する。 DNMapはストレージ効率のよい大規模3Dマッピング手法である。我々は、小さなストレージ空間を必要とする低解像度の連続的な埋め込みを学習する。
論文参考訳（メタデータ） (2024-07-22T11:32:33Z)
Mesh Denoising Transformer [104.5404564075393]
Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
論文参考訳（メタデータ） (2024-05-10T15:27:43Z)
DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文参考訳（メタデータ） (2023-08-03T17:59:04Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)

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。