使用极坐标变换器联合去噪冷冻电镜投影图像
图像与视频处理
2025-10-16 v2 计算机视觉与模式识别
机器学习
摘要
许多成像模态涉及从受随机旋转相关的噪声投影集合中重建未知物体。在冷冻电子显微镜（cryo-EM）这一模态中，极低的信噪比使得整合多幅图像的信息至关重要。现有的 cryo-EM 处理方法要么依赖手工设计的先验，要么仅在流程的选定部分（如粒子挑选、显微图像去噪或精修）应用深度学习。全端到端重建方法需要一种能够整合多幅图像信息同时尊重测量过程旋转对称性的神经网络架构。在本工作中，我们引入了极坐标变换器，一种结合极坐标表示和变换器以及保持问题旋转对称性的卷积注意力机制的新型神经网络架构。我们将其应用于粒子级去噪问题，它能够在图像中学习判别性特征，实现最优聚类、对齐和去噪。在模拟数据集上，在信噪比为 0.02 时实现了均方误差最多降低 2 倍，这为 cryo-EM 和相关断层成像模态中的数据驱动重建方法开辟了新机遇。
引用
@article{arxiv.2506.11283,
title = {Joint Denoising of Cryo-EM Projection Images using Polar Transformers},
author = {Joakim Andén and Justus Sagemüller},
journal= {arXiv preprint arXiv:2506.11283},
year = {2025}
}