XiaoMi-AI文件搜索系统
World File Search System低分辨率
![arxiv：2404.03566v1 [cs.cv] 2024年4月4日](/simg/e\eb78931c93bd032ba0cea44d8e2c44ba117d9aad.webp)
arxiv：2404.03566v1 [cs.cv] 2024年4月4日
图像。相比之下，基于扩散的3D点云生成方法落后了，缺乏其2D图像对应物的实现和多样性。我们认为，一个中心挑战是典型点云的实质性尺寸：公共点云数据集[11，50]通常以100k或更多的分辨率包含点云。这导致了由于转移点相对于输入点的数量的二次复杂性而导致的一般建模的计算成本。因此，最新模型受到计算约束的严重限制，通常仅限于2048或4096点的低分辨率[32，36，46，57，59]。在本文中，我们提出了一个有效的点云扩散模型，该模型有效地训练并轻松扩展到高分辨率输出。我们的主要思想是设计一类具有固定尺寸的分辨率潜在反复限制的AR插图。我们展示了如何通过低分辨率监督有效地训练这些模型，同时可以在推理过程中构成高分辨率点云的发生。我们的直觉来自这样的观察，即可以将对象的不同点云视为共享连续3D表面的不同样本。因此，经过训练的生成模型，该模型从表面上对多个低分辨率进行建模，应该从下面的表面学习表示形式，从而使其能够在训练后生成高分辨率样本。为了将此直觉编码为模型设计，我们建议将基础表面的表示和点云生成的表示。前者是用于对基础表面进行建模的恒定内存。后者的大小可变，具体取决于点云的分辨率。我们设计了轻巧的读写模块，以在两个表示之间进行通信。我们模型的大部分计算用于建模基础表面。我们的实验证明了与我们的模型1的高分辨率不变性。以低分辨率为1,024的训练，该模型在以最先进的质量中最多可产生131k点，如图1。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。 我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。 我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。 我们希望这是朝着高质量的3D输出迈出的有意义的一步。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。我们希望这是朝着高质量的3D输出迈出的有意义的一步。
地形超级...
简介。对计划地形的高保真理解对于准确的表面条件建模是必要的。对于潜在的未来人类和机器人勘探领域，例如即将到来的阿耳emis派任务的候选降落地点。LOLA提供的 1高度测量测量已用于在月球杆附近的Moder-Ate分辨率上开发地形模型，例如2米 /小像素（MPP）。 但是，在许多感兴趣的地区，需要高分辨率的托图。 分析方法，例如形状从阴影（SFS），3,4，以高分辨率光学图像的形式包含上下文信息，例如由月球侦察轨道轨道窄角（LRO NAC）所提供的信息。 sfs将先验的低分辨率DEM作为焦油分辨率的共同注册图像作为输入，其中每个图像都从其他方向从太阳照亮。 这种方法提供了统计保证和输出高分辨率DEM的可解释性，但它们在计算上很昂贵，需要人类输入（例如参数微调）。 因此，适用于大面积很麻烦。 我们实施了基于生成-AI的超分辨率工具，以在月球上开发准确的高分辨率DEM。 尤其是，我们将图像到图像形象的schodinger桥（SB）方法5应用于条件性一代设置，该设置在超分辨率任务中取得了很大的成功。 我们的图像到图像SB Trans-在考虑一组操作图像的同时，形成了向后高分辨率DEM的先验样品（低分辨率DEM）。1高度测量测量已用于在月球杆附近的Moder-Ate分辨率上开发地形模型，例如2米 /小像素（MPP）。但是，在许多感兴趣的地区，需要高分辨率的托图。分析方法，例如形状从阴影（SFS），3,4，以高分辨率光学图像的形式包含上下文信息，例如由月球侦察轨道轨道窄角（LRO NAC）所提供的信息。sfs将先验的低分辨率DEM作为焦油分辨率的共同注册图像作为输入，其中每个图像都从其他方向从太阳照亮。这种方法提供了统计保证和输出高分辨率DEM的可解释性，但它们在计算上很昂贵，需要人类输入（例如参数微调）。因此，适用于大面积很麻烦。我们实施了基于生成-AI的超分辨率工具，以在月球上开发准确的高分辨率DEM。尤其是，我们将图像到图像形象的schodinger桥（SB）方法5应用于条件性一代设置，该设置在超分辨率任务中取得了很大的成功。我们的图像到图像SB Trans-在考虑一组操作图像的同时，形成了向后高分辨率DEM的先验样品（低分辨率DEM）。生成的AI方法具有比分析方法更有效地扩展到更大的输入的潜力，并且可以超越培训数据集。
基于事件流的视觉对象跟踪-CVF打开访问
以生物风格的活动相机跟踪近年来引起了人们的兴趣。现有的作品要么利用对齐的RGB和事件数据进行准确跟踪，要么直接学习基于事件的跟踪器。前者会产生较高的推理成本，而后者可能容易受到嘈杂事件或稀疏空间分辨率的影响。在本文中，我们提出了一个新型的分层知识蒸馏框架，该框架可以在培训期间完全利用多模式 /多视图信息，以促进知识转移，使我们能够仅使用事件信号来实现测试过程中高速和低潜伏期视觉跟踪。特别是，基于教师变压器的多模态跟踪框架首先是通过同时喂食RGB框架和事件流来训练的。然后，我们设计了一种新的分层知识蒸馏策略，其中包括成对相似性，功能表示和基于响应地图的知识蒸馏，以指导学生变形金刚网络的学习。在术语中，由于现有的基于事件的跟踪数据集都是低分辨率（346×260），因此我们提出了名为EventVot的第一个大规模高分辨率（1280×720）数据集。它包含1141个视频，并涵盖了许多类别，例如行人，车辆，无人机，乒乓球等。对低分辨率（Fe240Hz，Vi-Sevent，Coesot）和我们新提出的高分辨率EventVot数据集的进行了实验进行了实验
一种提高两光子血管成像速度的深度学习方法
摘要：在临床前模型中跟踪神经血管疾病进展的潜在方法是多光子荧光显微镜（MPM），它可以用毛细血管级别的分辨率对脑脉管系统进行成像。但是，获得具有传统点扫描MPM的高质量的三维图像是耗时的，并且限制了用于慢性研究的样本量。在这里，我们提出了一种基于卷积神经网络（PSSR RES-U-NET结构）算法，用于快速对低分辨率或稀疏采样图像进行快速升级，并将其与无分段的无分段矢量化过程相结合，用于3D重建和血管网络结构的统计分析。这样做，我们还证明了半合成训练数据的使用可以取代获得低分辨率和高分辨率训练对而不损害矢量化结果的昂贵且艰巨的过程，从而为收集培训数据的其他MPM任务带来了这些方法的可能性。我们将方法应用于来自小鼠模型的大量视野的图像，并表明我们的方法在成像深度，疾病状态和神经血管内的其他差异中概括了。我们验证的模型和轻量级体系结构可用于将MPM成像时间最多减少四倍，而无需对基础硬件进行任何更改，从而可以在各种设置中可部署性。
用于 3D 血管形状分割的多尺度知识转移视觉变换器
为了促进从体内磁共振成像 (MRI) 中进行稳健和精确的 3D 血管形状提取和量化，本文提出了一种新型的多尺度知识转移视觉变换器 (即 KT-ViT) 用于 3D 血管形状分割。首先，它以独特的方式在 U-net 架构中将卷积嵌入与变换器相结合，该架构同时以多尺度方式使用卷积层响应局部感受野和使用变换器编码器响应全局上下文。因此，它本质上丰富了局部血管特征，同时促进了全局连通性和连续性，从而实现更准确、可靠的血管形状分割。此外，为了能够使用相对低分辨率 (LR) 的图像来分割细尺度血管形状，设计了一种新颖的知识转移网络来探索数据的相互依赖性，并通过集成多级损失函数，将从高分辨率 (HR) 数据中获得的知识自动转移到多个级别的低分辨率处理网络，包括多尺度特征级和决策级。 HR 图像变换器网络所具有的精细血管形状数据分布建模能力可以转移到 LR 图像变换器，以增强其对精细血管形状分割的知识。在公共图像数据集上的大量实验结果表明，我们的方法优于所有其他最先进的深度学习方法。
质谱共享资源（MS）
• LC-MS 和 GC-MS 用于极性和非极性小分子分析（低分辨率） • LC-MS/MS 用于肽/蛋白质表征；测序；PTM；（高分辨率 ± 3ppm） • LC-MS/MS 用于非靶向代谢组学/脂质组学 • LC-MS/MS 用于定量靶向代谢组学（例如定制分析、PK/PD 研究） • MALDI 用于蛋白质组学和聚合物 • MALDI IMS 用于空间代谢组学/脂质组学
ConvDip：用于更好的 M/EEG 源成像的卷积神经网络
图 1：ConvDip 架构。*输入*层是一个 7x11 矩阵，对应于单个低分辨率 EEG 数据头皮图（请参阅附录 A 中的示例）。单个*卷积层*只有 8 个大小为 3x3 像素的卷积核。卷积层后面是全连接 (FC) 层，由 512 个神经元组成。最后，输出层包含 5124 个神经元，对应于大脑中的体素。（此图是使用 http://alexlenail.me/NN-SVG/ 上的网络应用程序创建的。
使用现代 IED 和通信网络监测电力系统扰动的标准化方法
摘要 — 使用精确时间事件监控变电站及其互连拓扑对于现代复杂电力系统网络至关重要。电力系统故障从简单到复杂，需要提供适当的时间同步数字事件和模拟数据，例如电压、电流和频率。电力系统分析师、资产管理团队和工程师必须全面了解电力动态、高分辨率瞬态故障记录和比瞬态故障持续时间更长的低分辨率动态扰动记录，以及相应的顺序事件记录，以评估孤立和互连电力系统故障，准确找到故障源，并采取预防措施避免这些故障再次发生。
使用现代 IED 和通信网络监测电力系统扰动的标准化方法
摘要 — 使用精确时间事件监控变电站及其互连拓扑对于现代复杂电力系统网络至关重要。电力系统故障从简单到复杂，需要提供适当的时间同步数字事件和模拟数据，例如电压、电流和频率。电力系统分析师、资产管理团队和工程师必须全面了解电力动态、高分辨率瞬态故障记录和比瞬态故障持续时间更长的低分辨率动态扰动记录，以及相应的顺序事件记录，以评估孤立和互连电力系统故障，准确找到故障源，并采取预防措施避免这些故障再次发生。
2型糖尿病中心血管疾病风险的模式和决定因素：尼日利亚当前糖尿病管理状态的见解增强微型对象检测而无需微调：具有最新YOLO模型和RT-DETR Transformer
高分辨率图像中的微小对象检测（TOD）在计算机视觉中提出了持续的挑战，包括低分辨率，遮挡和混乱的背景。本文介绍了动态自适应引导的对象推理切片（GOIS）框架，这是一种新型的两阶段自适应切片方法，该方法将计算资源转移到了感兴趣的区域（ROIS）。这种方法显着提高了检测精度和效率，在平均精度（AP）和小物体的平均回忆（AR）指标方面取得了3-4倍的改善。此外，该框架在其他指标中显示出50–60％的大量增长，从而确保了各种物体尺度的稳健性能。在特定的情况下注意到大型检测的略有下降，但戈伊斯在检测中小型物体方面始终表现出色，有效地解决了TOD固有的关键挑战。戈斯框架可以通过统一的效率和稳定的效率来整合自适应切片，多尺度的表示，以及启发了效率的效果。其体系结构 - 不合骨设计允许与包括Yolo11，Rt-Detr-L和Yolov8n在内的各种最新检测模型无缝集成，而无需大量的重新训练。对Visdrone2019-DET数据集进行了严格的验证，并通过对低分辨率图像，视频流和实时相机供稿进行评估，重点介绍了Gois的变革潜力。这些发现将其适用于关键领域，例如基于无人机的监视，自主导航和精确的Di-Nostics。代码和结果可在https：// github上公开获取。com/ mmuzammul/ gois，可在https：// youtu上进行实时演示。BE/ T5T5EB_ W0S4。