כתבה
arXiv cs.AI ·
Atelier: רכישת תכונות עצמ-למדות לצילומי CryoEM דרך Hypernetworks
Atelier: Learning Local Self-Supervised Features for CryoEM Volumes via Hypernetworks
Atelier מפתח תכונות עצמ-למדות עבור צילומי CryoEM דרך Hypernetworks. הפרויקט, שנקרא Atelier, משתמש באלגוריתם של Hypernetworks כדי ללמוד תכונות עצמ-למדות לצילומי CryoEM. התוצאות מראות ש-Atelier הוא כלי יעיל לניתוח גאומטרי של נתוני CryoEM.
תקציר מקורי באנגליתarXiv:2609.30569v1 Announce Type: new 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-b
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית