Score-Based Matching with Target Guidance for Cryo-EM Denoising

📄 arXiv: 2604.17734v1 📥 PDF

作者: Xiaoqi Wu, Xueying Zhan, Wen Li, Junhao Wu, Xin Huang, Min Xu

分类: cs.CV

发布日期: 2026-04-20

💡 一句话要点

提出基于Score匹配和目标引导的冷冻电镜图像去噪方法，提升结构一致性。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 冷冻电镜 图像去噪 Score-based模型 目标引导 结构生物学

📋 核心要点

  1. 现有冷冻电镜去噪方法缺乏对结构一致性的明确考虑，影响下游分析的准确性。
  2. 论文提出基于score的去噪框架，通过学习clean-data score来恢复颗粒信号并保留结构信息。
  3. 实验表明，该方法能有效改善颗粒挑选，并生成结构一致性更高的3D重建结果。

📝 摘要（中文）

冷冻电镜(cryo-EM)技术能够在严格的低剂量成像条件下对生物大分子进行单颗粒分析，但由此产生的显微照片通常具有极低的信噪比和微弱的颗粒可见性。图像去噪是下游cryo-EM分析（包括颗粒挑选、2D分类和3D重建）的重要预处理步骤。现有的cryo-EM去噪方法通常使用像素级或Noise2Noise风格的目标进行训练，这可以提高视觉质量，但没有明确考虑下游分析所需的结构一致性。本文提出了一种基于score的cryo-EM去噪框架，该框架学习clean-data score以恢复颗粒信号，同时更好地保留结构信息。在此基础上，我们进一步引入了一种目标引导变体，该变体结合了参考密度引导，以稳定弱信号和模糊信号条件下的score学习。我们的框架不是简单地放大类颗粒响应，而是更好地抑制结构化的低频背景，从而提高下游分析的颗粒-背景可分离性。在多个cryo-EM数据集上的实验表明，我们的基于score的方法始终可以改善下游颗粒挑选，并产生更具结构一致性的3D重建。

🔬 方法详解

问题定义：冷冻电镜图像信噪比极低，传统去噪方法虽然能提升视觉效果，但忽略了结构一致性，导致下游颗粒挑选和3D重建的准确性受限。因此，需要一种既能有效去噪，又能保留结构信息的去噪方法。

核心思路：论文的核心思路是利用score-based生成模型，学习clean data的score函数，通过score matching来指导去噪过程。这种方法能够更好地保留图像的结构信息，避免过度平滑或引入噪声。

技术框架：该框架主要包含两个部分：一是score-based去噪模型，用于学习clean data的score函数；二是目标引导模块，利用参考密度信息来稳定score学习过程。整体流程为：首先，利用加噪过程将原始图像转化为噪声图像；然后，利用score-based模型预测噪声图像的score；最后，利用预测的score和目标引导信息，迭代地将噪声图像恢复为clean图像。

关键创新：该方法最重要的创新点在于将score-based生成模型应用于冷冻电镜图像去噪，并引入目标引导机制。与传统的像素级或Noise2Noise方法相比，该方法能够更好地保留结构信息，提高下游分析的准确性。目标引导机制则进一步稳定了score学习过程，尤其是在弱信号和模糊信号条件下。

关键设计：目标引导模块的关键设计在于如何有效地利用参考密度信息。论文采用了一种加权的方式，将参考密度信息融入到score预测过程中。具体的损失函数包括score matching loss和目标引导loss两部分。网络结构方面，可以使用U-Net等常用的图像处理网络。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在多个cryo-EM数据集上均取得了显著的性能提升。与现有方法相比，该方法能够更准确地挑选颗粒，并生成结构一致性更高的3D重建结果。具体的性能数据（如颗粒挑选的准确率、3D重建的分辨率等）未在摘要中给出，但强调了其一致性的改进。

🎯 应用场景

该研究成果可广泛应用于冷冻电镜图像的预处理，提高颗粒挑选的准确性和3D重建的质量。这对于结构生物学研究具有重要意义，能够帮助科学家更准确地解析生物大分子的结构，从而深入理解生命过程和开发新的药物。

📄 摘要（原文）

Cryo-electron microscopy (cryo-EM) enables single-particle analysis of biological macromolecules under strict low-dose imaging conditions, but the resulting micrographs often exhibit extremely low signal-to-noise ratios and weak particle visibility. Image denoising is therefore an important preprocessing step for downstream cryo-EM analysis, including particle picking, 2D classification, and 3D reconstruction. Existing cryo-EM denoising methods are commonly trained with pixel-wise or Noise2Noise-style objectives, which can improve visual quality but do not explicitly account for structural consistency required by downstream analysis. In this work, we propose a score-based denoising framework for cryo-EM that learns the clean-data score to recover particle signals while better preserving structural information. Building on this formulation, we further introduce a target-guided variant that incorporates reference-density guidance to stabilize score learning under weak and ambiguous signal conditions. Rather than simply amplifying particle-like responses, our framework better suppresses structured low-frequency background, which improves particle--background separability for downstream analysis. Experiments on multiple cryo-EM datasets show that our score-based methods consistently improve downstream particle picking and produce more structure-consistent 3D reconstructions. Experiments on multiple cryo-EM datasets show that our methods improve downstream particle picking and produce more structure-consistent reconstructions.