发表机构
Columbia University; Carnegie Mellon University; National Institute of Technology Karnataka; University of Minnesota – Twin Cities（哥伦比亚大学; 卡内基梅隆大学; 卡纳塔克邦国立理工学院; 明尼苏达大学双城分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对冷冻电子断层扫描少样本分类中合成与真实数据的域差距，提出带可学习变换模块的自适应框架，在输入和特征层面弥合差距，实验优于迁移学习基线。
AI 中文摘要
冷冻电子断层扫描（cryo-ET）中的亚断层图分类因标记样本稀缺而极具挑战性。虽然可采用冷冻电子断层扫描模拟器生成无限合成数据，但合成与真实亚断层图之间的显著域差距阻碍了其实际应用。在本工作中，我们提出了一种新颖的合成到真实自适应框架，配备可学习变换模块，在输入层和特征层同时弥合这一差距。大量实验表明，我们的方法在少样本设置下持续优于现有迁移学习基线。
英文摘要
Subtomogram classification in cryo-electron tomography (cryo-ET) is a challenging problem due to the scarcity of labeled examples. While cryo-ET simulators can be adopted to generate unlimited synthetic data, the substantial domain gap between synthetic and real subtomograms hinders its practical utilization. In this work, we propose a novel synthetic-to-real adaptation framework with a learnable transformation module, bridging this gap at both the input and feature levels. Extensive experiments demonstrate that our method consistently outperforms existing transfer learning baselines in few-shot settings.
