自研方法 · 统计机器学习
Cryo-ET 重构
缺失楔形修复，本质是个反问题——自监督、不用真值，用统计机器学习来解。
无需 真值标签 缓解 缺失楔形
优缺点
好在哪：重构比 IsoNet、DeepDeWedge 更接近真实结构，把缺失楔形抹掉的细节补回来，而且全程不用真值标签；CryoWGEN 还能告诉你哪儿更没把握。代价是：CryoGEN 只给一个答案、不带不确定性；而且补回来的那一块是推断出来的，不是真测到的。
本库文章 5 篇
CryoGEN · 一条曲线（点估计）
CryoWGEN · 一族曲线（分布）
四个方法的演化与对比
CryoGEN-I
MAP 点估计
工具 MAP + 能量先验，P_Y proxy 对抗学习
局限 → 只给单点估计，不含不确定性
CryoGEN-II
最优传输分布匹配
工具 WAE：全局分布匹配，纯优化
局限 → 每个观测仍只给一个确定性重构
CryoWGEN-I
熵正则 · Monte-Carlo
工具 EVIA：熵正则 → 玻尔兹曼后验，MC 采样
局限 → MC 采样精度可能不足
CryoWGEN-II
熵正则 · 迭代 Langevin
工具 EVIA：SGLD 迭代采样，更忠实逼近后验
CryoGEN · 一条曲线 —— 给一个确定答案（点估计）
CryoWGEN · 一族曲线 —— 给一族答案、带不确定性（分布）
真实结构CryoGEN（一条）CryoWGEN（一族）
真实结构是两个峰（灰色虚线）。缺失楔形让两峰之间的空隙变得说不准——四个方法对这个空隙的回答各不相同。CryoGEN 给一个确定答案，但它学的是 GAN 式的能量面，会留有偏差：CryoGEN-I（MAP）偏差最大、还过度自信；CryoGEN-II 用最优传输把训练稳住、把整体分布对齐，偏差更小，但仍是单一确定解。CryoWGEN 换用熵正则（EVIA），学到的能量面更平滑——重构更贴近真值，而且不再只给一个答案，而是给一族：CryoWGEN-I 用 Monte-Carlo（较粗、散得开），CryoWGEN-II 用 Langevin（采样最忠实、带子最紧）。带子的宽度，就是缺失楔形留下的、可以读出的不确定性。拖动滑块——缺失越多，空隙越说不准。