关于 Open Cryo-ET

成像的物理，与重构背后的统计机器学习 —— 放在同一处，讲清楚。
这不是又一份工具说明，而是一部讲「为什么」的百科。

Cryo-ET 让我们在近原生状态下看清细胞内部 —— 但它的三维重构很难读：±60° 的倾转留下一块缺失楔形，把结构沿一个方向拉长；为保护样品而压低的剂量，又把信号埋进噪声。缺失楔形不是噪声，而是一整块从未被测到的信息。要把它补回来，既得懂成像的物理，也得懂概率与生成式建模 —— 这两侧，本站并到一处。

怎么读

我们想让两种人都读得下去：只懂生物的，和只懂机器学习的。每个概念，先用「直觉」搭起图像，再用「深入」给出推导；许多页还配一个在浏览器里实时计算的交互演示。不必一次吃透所有数学 —— 顺着九个知识库往下走，读不懂某一篇，就回到它的前置基础。越往后读，缺失楔形这件事会越清楚。

我们的工作

本站也讲我们自己的一族自监督 Cryo-ET 重构方法 —— 不依赖真值标签，把缺失楔形修复写成一个贝叶斯反问题。CryoGEN-I 以能量先验做 MAP 点估计[1]；CryoGEN-II 改用最优传输做全局分布匹配[2]；CryoWGEN 再加熵正则，给出能刻画不确定性的玻尔兹曼后验。它们专注重构本身：把那块缺失的信息，补成一个更各向同性、更完整的三维体。

如何引用

若本站或这些方法对你的工作有帮助，请引用：

Yunfei Teng, Yuxuan Ren, Kai Chen, Xi Chen, Zhaoming Chen, Qiwei Ye. CryoGEN: Generative Energy-based Models for Cryogenic Electron Tomography Reconstruction. ICLR, 2025. openreview.net/forum?id=uOb7rij7sR
Yunfei Teng et al. CryoGEN-II: Cryogenic Electron Tomography Reconstruction via Generative Network. CVPR 2026 Workshops (VISION). openaccess.thecvf.com

@inproceedings{teng2025cryogen,
  title     = {CryoGEN: Generative Energy-based Models for
               Cryogenic Electron Tomography Reconstruction},
  author    = {Teng, Yunfei and Ren, Yuxuan and Chen, Kai and
               Chen, Xi and Chen, Zhaoming and Ye, Qiwei},
  booktitle = {International Conference on Learning Representations (ICLR)},
  year      = {2025},
  url       = {https://openreview.net/forum?id=uOb7rij7sR}
}

@inproceedings{teng2026cryogen2,
  title     = {CryoGEN-II: Cryogenic Electron Tomography
               Reconstruction via Generative Network},
  author    = {Teng, Yunfei and others},
  booktitle = {CVPR 2026 Workshops (VISION)},
  year      = {2026},
  url       = {https://openaccess.thecvf.com/content/CVPR2026W/VISION26/papers/Teng_CryoGEN-II_Cryogenic_Electron_Tomography_Reconstruction_via_Generative_Network_CVPRW_2026_paper.pdf}
}

联系

本站由 Open-Cryo Team 维护 —— 一个开源学术机构。中英双语，右上角随时切换；目前试运行，内容仍在打磨。欢迎指正、补充与合作：yt1208@nyu.edu。