even/odd 拆分

把数据切成两半噪声独立、信号相同的副本 —— FSC 评分辨率、也支撑自监督去噪

直觉

把同一份采集的数据分成两堆，让两堆里的信号一模一样、噪声彼此独立。“信号”指你真正想看的东西——分子、膜、复合物的真实密度；“噪声”指叠在上面的随机起伏，主要来自电子计数的随机性（散粒噪声），同一个样品拍两次，噪声每次都不一样。最常见的切法有两种：按帧切，偶数帧进一半、奇数帧进另一半（见剂量分帧）；或者按倾角切，偶数倾角一半、奇数倾角一半。两半看到的是同一个分子、同一段结构，但落在上面的噪声是两次独立的随机抽样。有了这对”同信号、异噪声”的副本，很多原本做不了的事就能做了——量分辨率、做去噪，都靠它。

这一步在做什么：输入、输出、用什么做

输入：原始的、尚未平均的数据。可以是对齐之后、重构之前的分帧电影或倾转序列；也可以是已经重构好、但两条链各自独立重构出来的两个断层图。
做什么：把数据按某个”奇偶”规则切成互不重叠的两份。最常见的是按帧（电影里第 1、3、5… 帧 vs 第 2、4、6… 帧）或按倾角（第 1、3、5… 张投影 vs 第 2、4、6… 张投影）。
输出：两个文件——通常叫 half1 / half2 或 even / odd。它们坐标系一致、对应的是同一个物体，区别只在噪声。
用什么做：拆分本身只是按规则挑选帧/倾角，IMOD 的 newstack、Warp/RELION 的相应选项，甚至自己写几行脚本都能做；真正讲究的是在哪一步切（见下文）。

为什么要有这一步

后面两件大事都需要”两个除了噪声以外完全一样”的副本：一是给重构结果打分辨率分，二是训练去噪/复原网络而不需要干净的真值。整条管线里只有 even/odd 拆分能稳定地造出这种副本，所以它是自监督训练的数据前提。

为什么必须”独立”

判断分辨率也好、训练去噪网络也好，核心都是一句话：共享的东西经得起比较，独立的东西经不起。

两半的真实信号 $s$ 相同，噪声 $n_1$ 、 $n_2$ 相互独立且均值为零。把两半做相关或求平均时：

信号在两半里同相，叠加后增强、相关后保留；
噪声因为独立、无相关，在相关里贡献趋于零，在平均里以 $1/\sqrt{2}$ 的速度互相抵消。

关键在于这种独立不能造假。如果两半在拆分前共用了同一步处理——比如先把整套数据平均、去噪，再切两半——噪声就被人为地关联起来，下面两件事都会失真：相关会虚高，去噪网络会学到噪声本身。所以拆分必须在数据最”原始”的一端就做好，让两条处理链从头到尾互不接触。一句口诀：拆分要趁早，两链不相碰。

用途一：FSC 量分辨率

子断层平均的金标准分辨率，来自傅里叶壳层相关 (Fourier Shell Correlation, FSC)。做法是把同一批颗粒随机分成两组，各自独立地完成对齐、平均，得到两张半图 (half-maps)；再在傅里叶空间里，把两张半图按频率分成一层层同心壳层，逐壳计算复相关系数：

\mathrm{FSC}(k) = \frac{\sum_{k} F_1(k)\,\overline{F_2(k)}}{\sqrt{\sum_{k}|F_1(k)|^2 \cdot \sum_{k}|F_2(k)|^2}}

这里 $k$ 是空间频率（壳层半径，越大对应越细的结构）， $F_1$ 、 $F_2$ 是两张半图的傅里叶变换。低频处两半几乎一致，FSC 接近 1；频率越高，信号越弱、噪声越占主导，两半越对不上，FSC 掉向 0。曲线跌破某个阈值的那个频率，倒过来换成实空间尺度（埃），就是报告的分辨率——它回答的是”这张图能可信地分辨到多细”。

深入

阈值用 0.143 还是 0.5，取决于半图是否”金标准独立”。0.143 配的是从头到尾独立处理的两半——这正是 even/odd 拆分要保证的；用它衡量的是真实可信的分辨率。一旦两半在对齐时偷看了对方（例如共用同一个参考做对齐），独立性被破坏，高频相关会被人为抬高，FSC 给出过于乐观的分辨率——这就是所谓的过拟合 / 噪声放大。严格的半图独立，是 FSC 数字可信的前提。

用途二：自监督去噪

同一对半图还能直接用来训练去噪网络，且不需要任何干净的真值——这一点对 Cryo-ET 尤其重要，因为我们根本拿不到”干净的”断层图当答案。

思路来自 Noise2Noise：让网络拿一半去预测另一半。两半的干净信号相同，所以网络只要输出那个共享信号，就能同时接近两个目标；而两半的噪声相互独立，网络无法从一半的噪声去预测另一半的噪声——硬学只会被独立噪声拉向四面八方、得不偿失。在 L2 这类损失下，最优解恰好是两半的条件期望，也就是把独立噪声平均掉之后剩下的共享干净结构。于是网络学会了去噪，全程没碰过一张干净图。

深入

这正是 cryoCARE、DeepDeWedge 这类学习型复原方法的数据底座：用 even/odd（按帧或按倾角）重构出两个独立的断层图，一个当输入、一个当目标去训练。这也正是本站运行训练那一步要喂给网络的东西——所谓”成对数据”，就是这里造出的 half1 / half2。把这套独立噪声配对的思想推到生成模型层面，就接到了我们自己的重构方法——CryoWGEN 也是在”同信号、异噪声”的成对观测上学习，把缺失楔形与噪声一并交给学到的先验去推断。换句话说，even/odd 拆分既是分辨率的尺子，又是这一类自监督复原的燃料。

实践上的取舍

按帧拆分最干净——两半来自同一次曝光的不同电子，几何完全一致，只是剂量各半、单半信噪比更低（见 SNR）。按倾角拆分则每半都缺掉一半的角度采样，缺失楔形更宽、单半重构更差，但胜在实现简单、且天然适合在断层图层面配对。无论哪种切法，“拆分要趁早、两链不相碰”这条铁律都不变——这是 even/odd 一切用途共同的前提。

上一步：剂量分帧与对齐 · 下一步：运行自监督训练

← 软件与数据处理