XiaoMi-AI文件搜索系统
World File Search System图像
利用卷积神经网络进行快速对称微分同胚图像配准
微分同胚可变形图像配准在许多医学图像研究中至关重要，因为它提供了独特的属性，包括拓扑保存和变换的可逆性。最近基于深度学习的可变形图像配准方法利用卷积神经网络（CNN）从合成基本事实或相似性度量中学习空间变换，从而实现快速图像配准。然而，这些方法往往忽略了变换的拓扑保存和变换的平滑性，而平滑性仅由全局平滑能量函数来强制执行。此外，基于深度学习的方法通常直接估计位移场，这不能保证逆变换的存在。在本文中，我们提出了一种新颖的、有效的无监督对称图像配准方法，该方法最大化微分同胚图空间内图像之间的相似性，并同时估计正向和逆变换。我们使用大规模脑图像数据集在 3D 图像配准上评估了我们的方法。我们的方法实现了最先进的配准精度和运行时间，同时保持了理想的微分同胚特性。
swinfsr：使用swinir和频域知识的立体图像超分辨率
立体图像超分辨率（Sterereosr）近年来引起了人们的关注，这是由于手机，自动驾驶汽车和机器人的双重摄像头广泛范围。在这项工作中，我们根据Swinir的扩展（最初是为单个图像还原设计的，又提出了一种名为SWINFSR的新定单方法，以及Fast Fourier卷积（FFC）获得的频域知识。具体来说，为了有效地收集全球信息，我们通过使用FFC明确地不明显地局限于SWINIR中的残留SWIN变压器块（RSTBS），并使用结果域知识，并采用结果的残留Swin傅立叶型跨前块（RSFTB）进行特征提取。此外，为了有效，准确的立体视图融合，我们提供了一个新的跨意见模块，称为RCAM，该模块的竞争性能高于竞争性能，同时比最先进的交叉意见模块更少的计算成本。广泛的实验结果和消融研究证明了我们提出的SWINFSR的有效性和效率。
图像 MASSter Solo-3 取证；软件版本 2.0。......
2011 年 12 月 3 日 — 国防网络犯罪中心、美国国税局……在数字数据采集工具断言和测试计划版本 1.0 中测试案例。
脑图像数据结构 (BIDS) 的过去、现在和未来
Poldrack，Russell A. 1，Markiewicz，Christopher J. 1，Appelhoff，Stefan 2，Ashar，Yoni K. 3，Auer，Tibor 4,5，Baillet，Sylvain，Sylvain 6，Bansal，Bansal，Shashank 7，Shashank 7，Beltrachini，Beltrachini，Beltrachini，Leanar，Leanar，Benar，Christian G. 9，Bertazzoli，bertazzoli，bertazzoli，bertazzoli，10,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,1111 ,, ，Blair，Ross W. 1，Bortoletto，Marta 10，Boudreau，Mathieu 16，Brooks，Teon L. 1，Teon L. 1，Calhoun，Vince D. 17，Castelli，Castelli，Filippo Maria 18,19，Clement，Clement，Patricia 20,21，Cohen，Cohen，Cohen，Cohen，Alexander L.22 23,24，吉尔斯（De Hollander），吉尔斯（De Hollander），25，de la iglesia-vayá，玛丽亚26，de la vega，Alejandro 27，Delorme，Arnaud，28，Devinsky，Orrin 29，Draschkow，Draschkow，Dejan，Dejan 30，Duff，Duff，Eugene Paul 31，Dupre，Dupre，Elizabeth 1，Earlin，Erlin，Erlind 32 Illaume 34，Galassi，Anthony 32，Gallitto，Giuseppe 35,36，Ganz，Melanie 37,38，Gau，Rémi39，Gholam 39，Gholam，James 40，Ghosh，Satrajit S. 41，Giacomel，Giacomel，Giacomel，Alessio，Alessio，Alessio 42 44 , Gramfort, Alexandre 45 , Guay, Samuel 46 , Guidali, Giacomo 47 , Halchenko, Yaroslav O. 48 , Handwerker, Daniel A. 32 , Hardcastle, Nell 1 , Herholz, Peer 49 , Hermes, Dora 50 , Honey, Christopher J. 51 , Innis, Robert B. 32 , Ioanas, Horea-Ioan 48 , Jahn, Andrew 52 , Karakuzu, Agah 16 , Keator, David B. 53,54,55 , Kiar, Gregory 56 , Kincses, Balint 35,36 , Laird, Angela R. 57 , Lau, Jonathan C. 58 , Lazari, Alberto 59 , Legarreta, Jon Haitz 60 , Li, Adam 61 , Li, Xiangrui 62 ，Love，Bradley C. 63，Lu，Hanzhang 64，Marcantoni，Eleonora 65，Maumet，Camille 66，Mazzamuto，Giacomo67，Meisler 67，Meisler，Steven L. 68，Mikkelsen，Mikkelsen，Mark 69 4,75，Niso，Guiomar 76，Norgaard，Martin 32,37，Okell，Thomas W. 59，Oostenveld，Robert 77,78，Ort，Ort，Eduard 79，Park J. 80，Patrick J. 80，Pawlik，Pallik，Pallik，Mateusz，Mateusz 81，Pernet，Pernet，Pernet，Cyril R.38，Pestilli，Pestilli，Pestilli，Petilli，franco，Petr，Petr，Petr，Jan，Jan 272菲利普斯（Phillips），克里斯托夫（Christophe），83，派恩，让·巴蒂斯特（Jean-Baptiste）84，波罗尼尼（Pollonini），卢卡（Luca）85,86，拉马纳（Raamana），普拉德普·雷迪（Pradeep Reddy），里特（Ritter），佩特拉（Ritter），佩特拉（Petra）88,89,90,91,92，里佐（Rizzo） 99，Routier，Alexandre 100，Saborit-Torres，Jose Manuel 26，Salo，Taylor 101，Schirner，Michael 88,89,90,91,92，Smith，Smith，Robert E. 102,103，Spisak，Spisak，Spisak，Spisak，Tamas，Tamas 35,104，Sprenger，Sprenger，Julia，Julia 105，Swann，Swann，Swann，Swann，Nicole C. C. C. Nicole C. 106 , Szinte, Martin 105 , Takerkart, Sylvain 105 , Thirion, Bertrand 45 , Thomas, Adam G. 32 , Torabian, Sajjad 107 , Varoquaux, Gael 108 , Voytek, Bradley 109 , Welzel, Julius 110 , Wilson, Martin 111 , Yarkoni, Tal 112 , Gorgolewski, Krzysztof J. 1
条件感知的神经网络，用于受控图像生成
我们介绍C ONTITION- WARE神经N ETWORK（CAN），这是一种将控制添加到图像生成模式中的新方法。与先前的条件控制方法并行，可以通过动态降低神经网络的重量来控制图像生成过程。这是通过引入条件感知的重量产生模式来实现的，该模块会根据输入条件为卷积/线性层生成条件重量。我们测试可以在Coco上的ImageNet和文本对图像生成上生成类别图像的生成。可以始终如一地为包括DIT和UVIT在内的扩散变压器模型提供显着改进。特别是，Ca n与有效的T（CAT）结合在Imagenet 512×512上达到2.78 FID，超过DIT-XL/2，同时每个采样步骤需要少52×MAC。
异常得分：根据复杂性和脆弱性评估生成模型和个体生成的图像
随着生成模型的发展，生成图像的评估变得越来越重要。先前的方法测量参考文献和从训练有素的VI-SION模型产生的图像之间的距离。在本文中，我们对表示图像周围的表示空间与输入空间之间的关系进行了广泛的影响。我们首先提出了与图像中不自然元素存在有关的两项措施：复杂性，这表明表示空间的非线性和脆弱性是与对抗性输入变化的轻易变化相关的脆弱性。基于这些，我们为评估称为异常评分的图像生成模式（AS）进行了新的指标。此外，我们提出了可以有效地评估生成的图像的AS-I（单个图像的异常得分）。实验性依据证明了所提出的方法的有效性。
图像分割 - 基于 - 基于系统的群集 -
计算机视觉的抽象工业应用有时需要检测数字图像中小组像素的非典型物体。这些对象很难单一单，因为它们很小并且随机分布。在这项工作中，我们使用新型基于ANT系统的聚类算法（ASCA）提出了一种图像分割方法。ASCA对蚂蚁的觅食行为进行建模，蚂蚁的觅食行为在搜索高数据密度区域的数据空间中移动，并在其路径上留下信息素跟踪。信息素图用于识别簇的确切数量，并使用信息素gra-denient将像素分配给这些簇。我们将ASCA应用于数字乳房X线照片中的微钙化，并将其与最先进的聚类算法进行比较，例如1D自组织图，k -meanss，模糊C-Meanss和可能的模糊模糊C-Meanss。ASCA的主要优点是，群集的数量不需要先验。实验结果表明，在检测非典型数据的小簇时，ASCA比其他算法更有效。
用于可变形医学图像配准的相关感知粗到精 MLP
可变形图像配准是医学图像分析的基本步骤。最近，Transformer 已用于配准，其表现优于卷积神经网络 (CNN)。Transformer 可以捕获图像特征之间的长距离依赖性，这已被证明对配准有益。然而，由于自注意力的计算/内存负载高，Transformer 通常用于下采样特征分辨率，无法捕获全图像分辨率下的细粒度长距离依赖性。这限制了可变形配准，因为它需要每个图像像素之间精确的密集对应关系。没有自注意力的多层感知器 (MLP) 在计算/内存使用方面效率高，从而可以捕获全分辨率下的细粒度长距离依赖性。然而，MLP 尚未在图像配准中得到广泛探索，并且缺乏对医学配准任务至关重要的归纳偏差的考虑。在本研究中，我们提出了第一个基于相关感知 MLP 的配准网络 (CorrMLP) 用于可变形医学图像配准。我们的 CorrMLP 在新颖的粗到细配准架构中引入了关联感知多窗口 MLP 块，该架构可捕获细粒度多范围依赖性以执行关联感知粗到细配准。对七个公共医疗数据集进行的大量实验表明，我们的 CorrMLP 优于最先进的可变形配准方法。
BVM 2025 |雷根堡医学图像计算
德国医学图像计算会议（BVM）已在德国的各个地点举行了近30年，现在将在2021年的虚拟活动后首次在Oth Regensburg举行。在内容方面，BVM专注于医学图像数据的计算机辅助分析。应用领域各不相同，例如在成像，诊断，手术计划，计算机辅助干预和可视化领域的领域。在这段时间里，BVM社区在机器学习和人工智能领域中颇有方法论发展和变化 - 特别是在该领域中进行了大量工作。因此，在这种情况下的研究现在主导了BVM。这些范围也有助于在计算机科学和医学之间的接口上建立医学图像处理，以此作为数字健康的关键技术。除了呈现BVM社区的当前研究结果外，BVM的中心位置是年轻研究人员的鼓励。该会议主要是博士候选人的平台，但也是有杰出论文的学生，展示其宗教信仰，与社区进行专业话语，并与其他研究人员进行网络。尽管有许多会议和国会也与医疗图像处理有关，但BVM并没有失去其重要性和吸引力。在内容方面，BVM 2025将再次能够提供有吸引力的顶级级别的程序。最好的论文将在今年再次获得奖品。在94项提交中，28个演示文稿，38个海报贡献和两个软件策略通过双板审核过程接受，每个审查过程都有三个审查。会议网站可以找到：
一致的新型视图综合来自单个图像
我们介绍了Multidiff，这是一种新颖的方法，用于从单个RGB图像中始终如一地进行新颖的视图综合。从单个参考图像中综合新观点的任务是大自然的高度不足，因为存在多种对未观察到的区域的合理解释。为了解决这个问题，我们以单核深度预测变量和视频扩散模型的形式结合了强大的先验。单核深度使我们能够在目标视图的扭曲参考图像上调节模型，从而提高了几何稳定性。视频扩散先验为3D场景提供了强大的代理，从而使模型可以在生成的图像上学习连续和像素精度的对应关系。与依靠容易出现漂移和误差累积的自动格言形象生成的方法相反，Multidiff共同综合了一系列帧，产生了高质量和多视图一致的RE-