CryoEM 图像解释需要空间局部、样本一致且跨尺度信息丰富的特征。传统深度学习多数在固定体素网格上提取特征，而隐式神经表示（INR）能够将体积数据建模为与尺度无关、以坐标为条件的函数，因而在 CryoEM 中具有潜在优势。但为每张图单独拟合 INR 成本高且难以在不同样本间对齐。Atelier 提出一种自监督框架，对 INR 拟合进行摊销。该框架基于 transformer 的超网络，在 5,439 份 Electron Microscopy Data Bank 数据上预训练，能够为各种蛋白结构（包括大型多亚基复合体）生成高保真重建。预训练模型输出的 INR 在任意空间查询点的中间激活形成连续的局部特征场，这一点是体素网格或 patch‑tokenizer 架构难以实现的。我们将这些坐标条件特征作为额外通道输入到从零训练的 3D 嵌套 U‑Net 标注头，在八个体素级属性预测任务上相较仅使用体积信息的基线取得提升。实验表明，摊销的隐式神经表示是几何感知 CryoEM 分析的有效原语。
点评：该方法展示了超网络与 INR 的协同优势，为大规模 CryoEM 特征提取提供了可行路径。