Something interesting.
1.其实早在2013年，PRIME的作者就想过用GD去做三维重构，但是他说：
In our hands, gradient-based methods fail to produce acceptable solutions to the problem.
在我们手中，基于梯度的方法无法为该问题提供可接受的解决方案。
That gradient-based optimization methods fail indicates either that the goal function is nondifferentiable or that the goal function landscape is nonconvex. A nonconvex goal function landscape could be explained by two image properties: the many rotational autocorrelation peaks and the low SNR obtained in the low-dose regime. The errors in the goal function landscape increase as the SNRs of the images decrease. Gradient-based optimizers become trapped in poor local optima due to the noise. We therefore use a direct search-based optimization method that does not require gradient information
基于梯度的优化方法失败表明目标函数是不可微的，或者目标函数格局是非凸的。 非凸目标函数的格局可以由两个图像属性来解释：许多旋转自相关峰和在低剂量方案中获得的低SNR。 随着图像的SNR降低，目标函数景观中的误差增加。 基于梯度的优化器由于噪声而陷入了较差的局部最优状态。 因此，我们使用不需要梯度信息的基于直接搜索的优化方法
其实蛮可惜，如果多想一步，用SGD的话，可能就没有后来的cryoSPARC啥事儿了
2.