无需训练数据:未训练网络从 16 张电镜图恢复 3D 化学结构
bravo_abad · x · 2026-09-19
AI for Science 中真正的难题有时不是数据少,而是完全没有训练数据。Del Pozo Bueno 等人处理电子断层成像的逆问题:3D 化学图谱重建通常需要在多个视角测量,但实际样品往往无法大幅倾斜,而增加测量次数又会加剧辐射损伤,导致大量数据缺失。
他们的方案要点:
- 不预训练:一个未训练的 3D 卷积网络直接针对测量投影进行优化,网络结构本身充当先验,天然偏好结构化的 3D 解而非噪声和伪影
- 化学元素联合重建:所有化学元素一并重建(原文截断处)利用元素间的相互约束
这属于「深度图像先验」思路在电镜化学成像上的应用,展示了当无数据可训练时,架构先验本身就能扛起重建任务。
「研究」频道最新
- Large Drug Discovery Model 发布：AI 设计的新药分子获 X 射线结构验证 — mmbronstein · 2026-09-19
- CARL 论文:强化学习学会操控 Lenia 自组织模式 — danbri · 2026-09-19
- 新 BRDF 论文:微面元多重散射首次获得初等解析表达式 — ssh4net · 2026-09-19
- Pearl 澄清:因果推断需先假设模型,从样本到分布属因果发现 — yudapearl · 2026-09-19
- 只出概率的 Jev 模型实测:49 项任务中 42 项追平或超过 GPT-5.6-luna — LowNefariousness9966 · 2026-09-19
- 读懂一次预训练:P0/P1/P2 三级指标体系系统梳理训练监控信号 — SonglinYang4 · 2026-09-19