XiaoMi-AI文件搜索系统
World File Search System分辨
重新思考多对比度MRI超分辨率：矩形...
最近，几种方法探索了多对比磁共振成像（MRI）超分辨率（SR）的潜力，并获得了优于单对比SR方法的结果。但是，现有方法仍然存在两个缺点：（1）它们只能解决固定的Inter Intermpling量表，例如2×，3×和4倍，它们需要培训并存储临床上每个UPSMPLAING SCALE的相应模型。（2）他们在采用方形窗口（例如8×8）变形金刚网络档案时缺乏直接交互，这导致长范围依赖性的建模不足。此外，参考图像和目标图像之间的关系尚未完全挖掘。为了解决这些问题，我们开发了一个新颖的网络，用于多对比度MRI任意规模的SR，被称为McASSR。具体来说，我们设计了矩形窗口交叉注意变压器，以在MR图像中建立长期依赖性，而无需增加计算复杂性并完全使用参考信息。此外，我们提出了参考吸引的隐式关注，作为提升的模式，通过隐式神经表示实现了任意规模的超分辨率，进一步融合了参考图像的补充信息。在公共和临床数据集上进行了广泛而全面的实验表明，我们的MCASSR比SOTA方法产生了卓越的性能，这表明其在临床实践中的巨大潜力。代码将在https：//github.com/guangyuankk/mcassr上找到。
小波损耗的训练变压器模型可改善单图像超分辨率
基于变压器的模型已在包括图像超级分辨率（SR）在内的低级视觉任务中取得了显着的结果。但是，在获得全球信息时，基于不重叠的窗口中依赖自我注意的早期aperach遇到了挑战。为了激活全球更多输入像素，已经提出了混合注意模型。此外，通过仅将像素的RGB损失（例如L 1）降至最低而无法捕获基本的高频降低，训练不足。本文提出了两种贡献：i）我们引入了卷积非本地稀疏注意（NLSA）块，以扩展混合变压器体系结构，以增强其接受场。ii）我们采用小波损失来训练变压器模型，以提高定量和主观性能。虽然先前已经探索过小波损耗，但在基于训练变压器的SR模型中显示了它们的力量是新颖的。我们的实验结果表明，所提出的模型在各种基准数据集中提供了状态的PSNR结果以及出色的视觉性能。
材料动态过程的时间分辨断层扫描
层析成像是分析内部成分排列的一种方法。医学可能是利用这种方法并推动其发展的最著名学科。[1–3] 然而，层析成像也已应用于其他研究领域，如材料科学[4,5]、生物学[6]、考古学[7]甚至流体动力学[8]，并且在工业领域也越来越受到认可，例如用于质量控制[9]或无损检测[10]。图像采集与实时重建算法[11]、高级图像分析[12]、特征分割和识别分析算法[13,14]与现代机器学习工具[15,16]的结合增强了这种方法的潜力。如今，实验室扫描仪普及且功能强大，受益于改进的空间和时间分辨率，尽管尖端实验仍然局限于高亮度同步加速器和X射线自由电子激光器。可以在极短的时间内获得高空间分辨率。[17,18] 对高空间和时间分辨率、大视野和高总记录时间的需求意味着目标的冲突。文献中概述了不同设备可用的实际速度和分辨率。[19–21]
低分辨率面部表达识别的硬样品感知一致性
面部表达识别（FER）在计算机视觉应用中起着关键作用，包括视频不存在和人类计算机的相互作用。尽管FER的进展没有局部进步，但在处理在现实世界情景和数据集中遇到的低分辨率面部图像时，性能仍然会摇摆不定。一致性约束技术引起了人们的关注，以产生强大的卷积神经网络模型，从而通过增强来适应变化，但它们的功效在低分辨率FER的领域中得到了影响。这种性能下降可以归因于网络难以提取表达特征的增强样本。在本文中，我们确定了在考虑各种程度的分辨率时引起过度拟合问题的硬样品，并提出了新颖的硬样品感知一致性（HSAC）损失函数，其中包括组合注意力同意和标签分布学习。通过结合高分辨率和翻转低分辨率图像的激活图，将注意力图与适当的目标注意图与适当的目标注意图与适当的目标注意力图相结合的注意图与适当的目标注意力图的注意力图对齐。我们通过结合原始目标和高分辨率输入的预测来测量低分辨率面部图像的分类难度，并适应标签分布学习。我们的HSAC通过有效管理硬样品来赋予网络能够实现概括。各种FER数据集上的广泛实验证明了我们提出的方法比现有方法的多尺度低分辨率图像的优越性。此外，我们在原始RAF-DB数据集中达到了90.97％的最新性能。
单光子激光元的分辨率限制-CVF Open Access
单光子光检测和范围（LIDAR）系统通常配备一系列检测器，以提高空间分辨率和传感速度。但是，考虑到激光跨场横跨场景产生的固定量磁通量，当更多像素在单位空间中堆积时，每像素信号到噪声（SNR）将减小。这在传感器阵列的空间分辨率与每个像素的SNR之间的空间分辨率之间提出了基本的权衡。探索了这种基本限制的理论表征。通过得出光子竞争统计量并引入一系列新的近似技术，得出了时间延迟的最大样品估计器的平均平方误差（MSE）。理论预测与模拟和实际数据良好。
用于医学图像超分辨率的多模态多头卷积注意
超分辨率医学图像可帮助医生提供更准确的诊断。在许多情况下，计算机断层扫描 (CT) 或磁共振成像 (MRI) 技术在一次检查期间会捕获多个扫描 (模式)，这些扫描 (模式) 可以联合使用 (以多模态方式) 来进一步提高超分辨率结果的质量。为此，我们提出了一种新颖的多模态多头卷积注意模块来超分辨率 CT 和 MRI 扫描。我们的注意模块使用卷积运算对多个连接的输入张量执行联合空间通道注意，其中核 (感受野) 大小控制空间注意的减少率，卷积滤波器的数量控制通道注意的减少率。我们引入了多个注意头，每个头具有不同的感受野大小，对应于空间注意的特定减少率。我们将多模态多头卷积注意力 (MMHCA) 集成到两个深度神经架构中以实现超分辨率，并对三个数据集进行了实验。我们的实证结果表明，我们的注意力模块优于超分辨率中使用的最先进的注意力机制。此外，我们进行了一项消融研究，以评估注意力模块中涉及的组件的影响，例如输入的数量或头部的数量。我们的代码可在 https://github.com/lilygeorgescu/MHCA 免费获取。
量子退火实现单幅图像超分辨率
本文提出了一种基于量子计算的算法来解决单图像超分辨率（SISR）问题。SISR 的一个著名经典方法依赖于成熟的逐块稀疏建模。然而，该领域的现状是深度神经网络（DNN）已表现出远超传统方法的效果。不过，量子计算有望很快在机器学习问题中变得越来越突出。因此，在本文中，我们有幸对将量子计算算法应用于 SISR 这一重要的图像增强问题进行了早期探索。在量子计算的两种范式，即通用门量子计算和绝热量子计算（AQC）中，后者已成功应用于实际的计算机视觉问题，其中量子并行性已被利用来有效地解决组合优化问题。本研究展示了如何将量子 SISR 公式化为稀疏编码优化问题，该问题使用通过 D-Wave Leap 平台访问的量子退火器进行求解。所提出的基于 AQC 的算法被证明可以实现比传统模拟更快的速度，同时保持相当的 SISR 精度 1 。
MR图像超级分辨率与挤压和激发推理注意力网络
高质量的高分辨率（HR）磁共振（MR）图像提供了更详细的信息，可用于可靠的诊断和定量图像分析。深度综合神经网络（CNN）显示出低分辨率（LR）MR图像的MR图像超分辨率（SR）的有希望的Abil。LR MR图像通常具有一些vi-Sual特征：重复模式，相对简单的结构和信息较少的背景。大多数以前的基于CNN的SR方法同样处理空间像素（包括背景）。他们也无法感知输入的整个空间，这对于高质量的MR IMPIMSR至关重要。为了解决这些问题，我们提出了挤压和激发推理注意网络（SERAN），以获得MR Image SR。我们建议从输入的全球空间信息中挤出注意力，并获得全球描述符。这样的全球描述符增强了网络专注于MR图像中更具信息区域和结构的能力。我们在这些全球描述符之间进一步建立了关系，并提出了引起关注的原始关系。全球描述符将以学习的关注进一步确定。为了充分利用汇总信息，我们通过学习的自适应注意向量自适应地重新校准了特征响应。这些注意向量选择一个全局描述符的子集，以补充每个空间位置以进行准确的细节和纹理重新分解。我们通过残留的缩放提出挤压和激发注意力，这不仅可以稳定训练，而且还使其对其他基本网络的灵感变得非常灵活。广泛的例证显示了我们提出的Seran的有效性，该塞伦在定量和视觉上清楚地超过了基准标记的最新方法。
纳米晶体中单分子的高分辨率低分辨率
摘要：我们在液态氦气温度（T = 2 K）上进行激光光谱，以研究用氢化动力学滴注制造的纳米镜高度的蒽晶体中的掺杂的单二苯甲烷（DBT）分子。使用高分辨率的荧光激发光谱法，我们表明，印刷纳米晶体中单分子的零子线几乎与对散装中同一来宾 - 宿主系统观察到的傅立叶限制过渡一样狭窄。此外，光谱不稳定性可与或小于一个线宽度相当。通过记录DBT分子的超分辨率图像并改变激发梁的极化，我们确定印刷晶体的尺寸和晶体轴的方向。对于一系列应用，有机纳米和微晶的电水动力印刷是感兴趣的，其中希望对具有狭窄光学转变的量子发射器进行对照定位。关键字：纳米折线，纳米晶，量子发射极，单分子，单光子源，光谱M
