FakET：利用神经风格迁移模拟冷冻电子断层成像图

在冷冻电子显微镜中，准确的颗粒定位与分类至关重要。近期的深度学习方案虽取得成功，却需要大量训练数据集。常用于生成这些数据集的基于物理的模型生成时间长，限制了其广泛适用性。我们引入 FakET，一种基于神经风格迁移的方法，能够模拟任意冷冻透射电子显微镜的前向算子。它可用于根据参考数据集调整合成训练数据集，生成高质量的模拟显微图或倾转序列。为评估所生成数据的质量，我们用其训练了一个前沿的定位与分类架构，并将其性能与使用基准数据训练的对应架构进行比较。值得注意的是，我们的技术达到了同等性能，将数据生成速度提升 750 倍，内存占用减少 33 倍，并且能良好扩展到典型透射电子显微镜探测器尺寸。它利用了 GPU 加速与并行处理。源代码可在 https://github.com/paloha/faket 获取。