有限角度原子电子断层扫描因样品无法大角度倾斜而留下缺失楔形，深度方向分辨率下降、原子定位变差。RESIRE-Net只用输入数据本身，把旋转后的体积按实验倾角投影再用RESIRE重建，生成训练对来训练三维U-Net，迭代逼近缺失楔形的逆算子。在多层模拟的金属玻璃与中熵合金纳米颗粒上，三维位置均方根偏差分别从21皮米降到14皮米、从24皮米降到15皮米，原子回收与元素分类同步改善。
有限角度原子电子断层扫描的深度方向定位精度得到改善，原子坐标不再被缺失楔形拉长和拖影。 此前的重建依赖RESIRE等迭代算法，在约±60°至±75°的受限倾角下仍留下未采样的楔形区域，导致深度方向分辨率各向异性。 在多层模拟的金属玻璃纳米颗粒上，三维位置均方根偏差从21皮米降到14皮米，降幅33%，改善主要来自深度方向，平均z偏差从15皮米降到10皮米。
重建质量的提升直接传导到原子模型提取，回收的原子更多、误检更少、元素分类更准。 此前同一套追踪与分类流程在RESIRE重建上会漏掉部分原子，并把噪声误判为原子。 金属玻璃模拟中真值原子回收率从97.99%升到99.91%，虚假原子从494个降到132个，总体分类准确率从97.35%升到99.81%，散射最弱的Ni从94.87%升到99.74%。
方法不需要全角度真值或外部训练集，训练对由数据自身生成。 此前的监督式深度学习方法依赖与样品形貌、倾角几何、噪声和分辨率高度吻合的训练数据，跨材料或跨采集条件时会出现域偏移。 训练对来自把RESIRE重建按立方对称群旋转得到的20个变体，每个变体按实验倾角投影后再用RESIRE重建，网络学习把二次退化的体积映射回一次退化的体积。
在实验采集的中熵合金纳米颗粒上，缺失楔形方向的原子峰被锐化，而孪晶界与化学短程序特征保持不变。 此前的RESIRE重建在该实验数据上沿采样最少的方向出现拉长，第一配位壳层极小值位于3.44埃。 RESIRE-Net重建的第一极小值移到3.41埃，更接近理想面心立方，对局部面心立方拟合的平均偏离从0.26±0.12埃降到0.23±0.11埃，αNiPt与αPdPt的主导符号不变。
展示范围覆盖多层模拟的金属玻璃与中熵合金纳米颗粒，以及一个实验采集的中熵合金纳米颗粒倾角序列；分析沿用原有的RESIRE原子模型提取流程，只替换重建算法。方法面向使用原子电子断层扫描的研究者，输出是与现有流程兼容的三维原子模型。作者提出后续可探索生成式先验、物理约束和隐式神经表示来进一步提升重建保真度与稳健性。
方法依赖旋转增广及其背后的近似各向同性假设，对强本征各向异性或对称性有限的物体，可能把真实结构各向异性误判为缺失楔形伪影而过度校正。探针极化、电子通道效应、探测器不均匀性、噪声、倾角标定误差、机械漂移与对准误差都会给算子Tθ引入偏差，从而限制重建质量。
