XiaoMi-AI文件搜索系统
World File Search System图像形成
CV -Benjamin D. Killseen div>
项目导师：基于扩散的椎骨重建2025项目导师：衡量虚拟现实中骨盆标准视图的变异性2024投票选手，最佳项目奖。项目导师：Kirschner Wire Phacement期间的无跟踪器导航的套管标记机构2024项目导师：将不变的X射线图像分析带入2024年操作室2024 Project Project Mentor：在虚拟现实中重新创造骨盆创伤性手术，以在虚拟现实中为新的C-Arm Amm Interfaces Interfaces Interfaces Interfaces Interfaces Interfaces topres tod tod Project开发。项目导师：使2D/3D注册可访问2023项目导师：3D硬组织的3D分割，用于模拟X射线图像形成，深度学习2022
合成孔径雷达系统的分析与设计
合成孔径雷达 (SAR) 用于全天候、全时高分辨率空中和空间地形成像。SAR 成像不受光照和天气条件的影响，比光学成像更具优势。SAR 的一些应用包括监视、瞄准、3D 成像、导航和制导、移动目标指示和环境监测。该项目旨在对合成孔径雷达系统进行系统级设计、建模和仿真，并使用 TI C6416 DSP 实现 SAR 信号处理器。系统参数已根据所有约束和实际限制进行指定。已制定系统的性能指标，例如距离分辨率和横向分辨率等，并根据所需性能制定了系统级规范。以MATLAB为主要工具，对所设计系统参数的准确性和正确性进行了测试。完成了脉冲多普勒雷达的仿真，包括波形设计、目标建模、LFM脉冲压缩、旁瓣控制和阈值检测。在MATLAB中实现了SAR图像形成算法（多普勒波束锐化）。
计算机视觉概论-CS@Cornell
教师名称：和Bharath Hariharan Wei-Chiu MA教师电子邮件：bh497@cornell.edu和wm347@cornell.edu教职员工办公室时间：TBA（请访问课程网站（以获取最新信息的最新信息）课程员工和课程员工办公室时间：此课程将有约20个教学辅助者。次和办公时间的场所将在课程网站上的第一周发布。先决条件/主页：线性代数知识（推荐），编程和概率/统计时间和位置：星期一/星期三/星期五1:25-2：15 PM在Baker Laboratory在Baker Laboratory 200。课程描述本课程将引入计算机视觉的核心问题，并根据图像形成的几何形状和物理学讨论经典方法，并使用深度学习介绍现代技术。主题包括立体和3D重建，图像分割，对象识别，图像和补丁的特征表示以及卷积网络。课程目标/学生学习成果在参加本课程后，学生将能够：
朝着低成本单光子摄像机迈向3D视觉
我们提出了一种基于微型，能量，低成本的单光子凸轮的测量值来重建任意兰伯特对象的3D形状的方法。这些摄像机作为时间解析的图像传感器运行，用非常快速的脉冲脉冲融合了光，并记录了该脉冲的形状，因为它以高时间分辨率从场景中返回。我们提出了模拟此图像形成过程的建模，解释其非理想性，并适应神经渲染以从一组具有已知姿势的空间分布的传感器中重建3D几何形状。我们表明，我们的方法可以从模拟数据中成功恢复复杂的3D形状。我们利用商品代理传感器的测量结果来证明实际捕获的3D对象重建。我们的工作在基于图像的建模和活动范围扫描之间建立了连接，并通过单光子摄像机朝着3D视觉提供了一步。我们的项目网页位于https://cpsiff.github.io/ toug_3d_vision/。
医学成像的暑期学校（SUSMI -2025）-IIITDM.AC.in
医学成像的基础：成像方式的图像形成和获取，物理和原理的基础：X射线，CT，MRI，超声，超声，PET和Spect，放射学概述及其临床应用。图像处理和分析：预处理技术：降低，过滤和对比度增强，图像分割，分类和注册方法。先进的技术和趋势：医学成像，3D和4D成像，多模式成像应用中的机器学习和深度学习中的应用：肿瘤学成像：肿瘤检测和分期，心血管成像，心脏和血管分析：神经学成像等，等等。动手会议：与成像软件（例如MATLAB，Python库或专有工具）的实践会议，使用现实世界数据集的案例研究和解决问题，展示了基于AI的诊断工具。新兴技术：混合成像系统和可穿戴成像设备，增强现实（AR）的应用以及虚拟现实（VR）在成像中，量子计算的作用和纳米技术在未来成像中的作用。道德和监管方面
生物医学光学的深度学习
生物医学光学是对生物光结膜进行研究的研究，其总体目标是开发可以帮助诊断，治疗和表面应用的传感平台[1]。在这一庞大而活跃的研究领域，不断开发新的系统来利用独特的光结合相互作用，这些相互作用提供临床有用的特征。这些系统面临着信噪比（SNR），采集速度，空间分辨率，视野（FOV）（FOV）和菲尔德（DOF）深度的固有贸易。这些交易影响临床系统的成本，性能，可行性和整体影响。生物医学专业开发人员的作用是设计系统，以优化或理想地克服这些交易，以适当满足临床需求。在过去的几十年中，生物医学光学系统的设计，图像形成和图像分析主要以经典的物理建模和信号处理方法为指导。最近，深度学习（DL）已成为计算建模的主要范式，并在众多科学领域和var-
图像denoising和光子的生成积累
我们对射击噪声损坏的图像和删除噪声的镜头提出了新的视角。通过将图像形成视为光子在检测器网格上的顺序积累，我们表明，经过训练的网络可以预测下一个光子可能到达的位置，实际上可以解决最小均方形误差（MMSE）denoising任务。这种新观点使我们能够做出三个贡献：i。我们提出了一种新的策略，用于自我监督的denoisis，ii。我们提出了一种通过迭代采样并将少量光子添加到图像中的溶液后部采样的新方法。iii。我们通过从空画布启动此过程来得出一个完整的生成模型。我们称这种方法的生成积累（GAP）。我们在4个新的荧光显微镜数据集上进行定量和定性评估我们的方法，该数据将可供社区提供。我们发现它的表现优于其基准或在PAR上执行。
理解模仿 - 对抗性 - 加速器 - ...
cc/cs校正的成像允许使用最弹性和非弹性散射电子进行图像形成，而不会因单色而导致的光束强度损失。与成像能滤波器结合使用，可以使用等离子体 - 损坏或核心减脂电子形成原子分辨率EFTEM图像。对于原子分辨率滤波的TEM不仅需要对物镜的色差进行校正，而且成像能量滤波器的性能也必须满足主要是色变形和非异质性的条件。我们显示了用于大型能窗的原子分辨率的石墨烯的能量过滤透射电子显微镜（EFTEM）成像。以前的作品表现出与电离边缘信号（例如硅或钛的L 2,3边缘）的晶格对比[5,6]。然而，发现直接解释化学信息受到较厚样品的动态散射的弹性对比的贡献所阻碍。我们证明，即使在一个光原子薄样品的电离 - 边缘信号中也保留了弹性对比度 - 石墨烯 - 得出结论，任何原子分辨率EFTEM图像都无法用纯化学对比度来解释[7]。
PET 图像重建的人工智能
人工智能 (AI) 继续对物理学、自然语言处理、金融、人力资源、图像处理、蛋白质折叠 ( 1 ) 和病毒突变预测 ( 2 ) 等众多高度多样化的领域产生显著影响。广义上讲，人工智能是任何能够从示例数据或经验中学习如何执行任务的技术。这项技术与人类程序员或工程师提供大量且详尽的指令以执行任务的传统模式形成鲜明对比。人工智能的力量毋庸置疑，但与其他突破性技术一样，它的采用最初会引发担忧、怀疑甚至道德问题。特别是，人工智能在医学成像领域的应用已显示出巨大的潜力 ( 3 )，但一个关键问题是，当患者的生命经常受到威胁时，我们在多大程度上可以信任人工智能形成用于指导临床决策的图像。这篇简短的文章将探讨人工智能在 PET 图像形成或重建方面的方法、优势和问题（4），并将重点关注人工智能的一个分支学科，即深度学习（5）。我们将定义深度学习，然后将这个术语与人工智能互换使用。
多模态生物医学成像 XX（BO304）
主题包括但不限于：• 整合结构、分子和功能信息的多模态成像• 多模态显微成像• 2D、3D、4D 断层扫描和/或多光谱成像（从 UV-VIS 到 SWIR）• 应用于光学成像的成像分析和/或图像处理技术（例如可视化、分割、配准）• 基于机器学习和深度学习的图像形成和数据分析• 用于图像重建/融合的人工智能和机器学习• 多模态成像仪器和系统设计• 可为临床和临床前成像提供更好的定量和/或诊断洞察的检测和诊断分析技术（例如定量测量方法、计算机辅助诊断）• 用于将光学成像与其他成像模式（例如 MR、X 射线、PET）相结合的成像分析和/或图像处理技术• 可能有助于将光学成像引入临床的图像分析、计算方法和重建方法（复杂数据集的视觉渲染、辅助光学重建的新算法）• 这些新技术的临床评估（图像数据的生理和功能解释、视觉感知和观察者表现，体内光学特征定量评估的验证