重构结果
CryoGEN / CryoWGEN 在真实生物数据集上的重构结果与关键指标。
前面几页讲的是方法本身——把缺失楔形修复奠基为贝叶斯反问题、再用统计机器学习求解。这一页换个角度，汇总这些方法实际跑出来的结果：在真实 cryo-ET 数据上做了什么、好在哪里。（细节与完整图表见论文 [1][2]。）
更接近真实结构 —— 明显优于 IsoNet、DeepDeWedge
补回缺失楔形抹掉的信息
无需任何真值标签
更快训练，用时显著更少
在真实数据上验证
CryoGEN 在多个真实生物数据集上做过验证，包括未成熟 HIV-1 病毒颗粒与核糖体。它把每张被噪声和缺失楔形破坏的断层图，重构成更各向同性、结构更完整的三维体，而且全程无需真值标签。
- 更各向同性。 传统流程沿缺失方向把结构拉长；CryoGEN 用能量先验（与后续的最优传输）显著缓解这种各向异性，把沿竖直方向被抹平的细节补回来。
- 不再依赖递归子断层平均。 经典做法要反复对齐平均大量拷贝来提升信噪比、补缺失楔形；CryoGEN 把这一步并入一次自监督重构，因而训练用时显著更少。
- 结构更完整、更可解读。 重构出的体在膜、亚基等结构上更连贯，便于下游的颗粒挑选与解读。
- 不确定性可量化（CryoWGEN）。 把熵正则加进来后，CryoWGEN 不再只给一个体，而是给出一族重构——那族的分散，正是缺失楔形留下的、可以读出的不确定性。
关键结果图
WBP（含伪影）
IsoNet
CryoGEN
定量对比
在带已知真值的合成数据（球形、棱柱、Vipp1 装配体）上，CryoGEN 在 PSNR 与 SSIM 上都明显优于基线（数值越高越好）：
| 数据状态 | 球形 PSNR | 球形 SSIM | 棱柱 PSNR | 棱柱 SSIM | Vipp1 PSNR | Vipp1 SSIM |
|---|---|---|---|---|---|---|
| 退化 | 21.12 | 0.8113 | 14.82 | 0.6931 | 26.68 | 0.8000 |
| IsoNet | 22.98 | 0.8770 | 19.11 | 0.8857 | 27.12 | 0.8191 |
| DeepDeWedge | 23.17 | 0.8824 | 21.10 | 0.9278 | 28.75 | 0.8758 |
| CryoGEN | 29.19 | 0.9706 | 32.69 | 0.9949 | 30.65 | 0.9199 |
数据取自 CryoGEN（ICLR 2025）Table 1。
说明
本页的图与表均取自已发表的 CryoGEN 论文 [1]（见文末参考文献）；CryoGEN-II 见参考文献 [2]。想自己把 .mrc 体渲染成这样的三维图，见软件与可视化教程。
参考文献
- Yunfei Teng, Yuxuan Ren, Kai Chen, Xi Chen, Zhaoming Chen, Qiwei Ye. CryoGEN: Generative Energy-based Models for Cryogenic Electron Tomography Reconstruction. International Conference on Learning Representations (ICLR), 2025. openreview.net/forum?id=uOb7rij7sR
- Yunfei Teng 等. CryoGEN-II: Cryogenic Electron Tomography Reconstruction via Generative Network. CVPR 2026 Workshops（VISION）. openaccess.thecvf.com