XiaoMi-AI文件搜索系统
World File Search System成对
在Bbox之外思考：无约束的生成对象合成
生成的AI模型和社交媒体的兴起引发了图像编辑技术的广泛兴趣。现实且可控的图像编辑现在对于内容创建，营销和娱乐等应用是必不可少的。在大多数编辑过程中的一个关键步骤是图像合成，无缝地将前景对象与背景图像集成。然而，图像构成的挑战带来了许多挑战，包括结合新的阴影或反射，照明错位，不自然的前景对象边界，并确保对象的姿势，位置和刻度在语义上是连贯的。以前关于图像合成的作品[5,30,32,59,61]专注于特定的子任务，例如图像融合，协调，对象放置或阴影一代。更多的方法[9,36,50,62]表明，可以使用扩散模型同时处理一些单独的组合方面（即，颜色协调，重新定位，对象几何调整和阴影/反射生成）[18,46]。这种方法通常以自我监督的方式进行训练，掩盖地面真相图像中的对象，并将蒙版的图像用作输入[9,62]，或者在反向扩散过程中仅在掩模区域内deno [9,50]。因此，在本文中，我们提出了一个生成图像合成模型，该模型超出了掩码，甚至使用空掩码，在这种情况下，模型将自然位置在适合尺度的自然位置中自动合成对象。我们的模型是图像合成的第一个端到端解决方案，同时解决了图像合成的所有子任务，包括对象放置。因此，在推理过程中需要掩模作为输入，导致了几个限制：（i）对普通用户进行精确掩码可能是不乏味的，并且可能会导致不自然的复合图像，具体取决于输入蒙版的位置，规模和形状； （ii）掩模区域限制了生成，其训练数据不考虑对象效应，从而限制了合成适当效果的能力，例如长阴影和反射； （iii）物体附近的背景区域往往与原始背景不一致，因为该模型在面具覆盖的情况下不会看到这些区域。为了实现此目的，我们首先使用图像介绍来创建包括图像三重态的训练数据（前景对象，完整的背景图像和
散射箔组成对用于闪光放射疗法的临床线性加速器中电子能量分布的影响：蒙特卡洛研究
摘要：这项研究研究了从改良的医疗线性促进剂中的电子束中的电子能量分布的散射箔材料和采样持有人的放置如何用于闪光灯放射疗法。我们分析了各个位置的电子能光谱，即离子室，镜像和下巴，以评估CU，PB-CU，PB和TA箔的影响。我们的发现表明，靠近源的距离会增强电子能量分布对箔材料的依赖性，从而通过材料选择实现精确的光束控制。蒙特卡洛模拟可有效设计箔以实现所需的能量分布。将采样支架移至远离源的较远的材料材料的影响，促进了更多均匀的能量扩展，尤其是在0.5-10 MEV范围内，以12 MEV电子束。这些见解强调了量身定制的材料选择和采样持有人定位在优化电子能量分布和闪存放射疗法研究的通量强度方面的关键作用，从而使实验设计和临床应用受益。
使用生成对抗网络生成合成时间序列数据，用于智能构建知识图
摘要。知识图表示三倍的数据，以将连接的数据点相互链接。这种知识表示形式具有多种应用，例如查询和查找信息或进行数据推断。但是，在某些领域，例如医疗记录或智能房屋设备，这些知识图很难大规模公开可用，这是由于隐私性的。因此，有一种方法可以从原始数据中生成合成知识数据以进行大规模使用将是有益的。本文的目的是找出可以在多大程度上为知识图创建有意义的合成时间序列数据。尝试找到一种解决方案，以创建具有与原始数据相似的数据的解决方案，将测试两个现有的生成对抗网络（GAN），即CTGAN和TIMEGAN。实验的结果表明，这两个模型都设法从数据集中捕获了一些重要功能，但是两个模型都没有原始数据中的所有功能。需要进行进一步的研究，以找到满足有意义的合成知识图要求的解决方案。
研究总资本形成对索马里碳排放的影响
气候变化的出现已经发展成为人类的最高挑战，促使人们竭尽全力减轻其后果。这项研究深入研究了索马里的总资本形成（GCF）和二氧化碳排放之间的影响，跨越了1991 - 2019年。为了仔细检查所考虑的变量之间的长期关联，该研究采用了自回归分布式滞后（ARDL）模型。另外，为了确保研究的鲁棒性，还应用了动态的普通最小二乘和完全修改的普通最小二乘。与期望相反，发现表明GCF不会对二氧化碳排放产生重大影响。研究倡导实施一个全面的环境政策框架，该框架考虑了GCF以外的一系列贡献因素。为了解决环境挑战的多方面性质，该研究建议诸如能源多样化，技术转移，可持续实践的促进以及气候弹性整合等计划。
rnagen：一种基于生成对抗网络的模型，可生成靶蛋白的合成RNA序列
摘要。RNA-蛋白结合在调节蛋白质活性中通过影响定位和稳定性起着重要作用。 虽然蛋白质通常是通过小分子或其他蛋白质靶向的，但易于设计和合成小的RNA是一个相当尚未开发和有希望的场所。 问题是缺乏产生与某些蛋白质可能结合的RNA分子的方法。 在此，我们提出了一种基于生成对抗网络（GAN）的方法，该方法学会生成具有天然RNA样性能（例如二级结构和自由能）的短RNA序列。 使用优化技术，我们对这些序列进行微调以使它们与靶蛋白结合。 我们使用文献中的RNA-蛋白结合预测模型来指导模型。 我们表明，即使没有针对靶蛋白的专门训练的可用指南模型，我们也可以使用针对相似蛋白质的模型，例如来自同一家族的蛋白质，可以成功地生成与靶蛋白的结合RNA分子。 使用这种方法，我们使用了针对其相对的模型（SOX10，SOX14和SOX8）量身定制的PIRNA，并量身定制为SOX2蛋白结合，并在体外实验验证了我们生成的Top-2分子我们生成的Top-2分子特异性结合了SOX2。RNA-蛋白结合在调节蛋白质活性中通过影响定位和稳定性起着重要作用。虽然蛋白质通常是通过小分子或其他蛋白质靶向的，但易于设计和合成小的RNA是一个相当尚未开发和有希望的场所。问题是缺乏产生与某些蛋白质可能结合的RNA分子的方法。在此，我们提出了一种基于生成对抗网络（GAN）的方法，该方法学会生成具有天然RNA样性能（例如二级结构和自由能）的短RNA序列。使用优化技术，我们对这些序列进行微调以使它们与靶蛋白结合。我们使用文献中的RNA-蛋白结合预测模型来指导模型。我们表明，即使没有针对靶蛋白的专门训练的可用指南模型，我们也可以使用针对相似蛋白质的模型，例如来自同一家族的蛋白质，可以成功地生成与靶蛋白的结合RNA分子。使用这种方法，我们使用了针对其相对的模型（SOX10，SOX14和SOX8）量身定制的PIRNA，并量身定制为SOX2蛋白结合，并在体外实验验证了我们生成的Top-2分子我们生成的Top-2分子特异性结合了SOX2。
通过生成对抗网络通过合成数据生成增强组织病理学图像分类
摘要：乳腺癌是全球第二常见的癌症，主要影响女性，而组织病理学图像分析是用于确定肿瘤恶性肿瘤的可能方法之一。关于图像分析，近年来，深度学习的应用变得越来越普遍。但是，一个重要的问题是可用数据集的不平衡性质，有些类的图像比其他类别的图像更多，这可能会由于较差的概括性而影响模型的性能。避免此问题的可能策略是用最多的图像来缩小课程来创建平衡数据集。尽管如此，小型数据集不建议使用这种方法，因为它可能导致模型性能差。取而代之的是，传统上使用了诸如数据预言之类的技术来解决此问题。这些技术应用了简单的转换，例如翻译或旋转到图像，以增加数据集中的可变性。另一种可能性是使用生成对抗网络（GAN），该网络可以从相对较小的训练集中生成图像。这项工作旨在通过使用GAN而不是传统技术应用数据扩展来提高模型性能在组织病理学图像中进行分类。
有条件的生成对抗网络 - ...
摘要在收成期间缺乏遥感图像在估计农作物产量方面构成了重大挑战。这项研究通过使用条件生成对抗网络的基于病例的推理框架（CGANA-CBR）来克服这一挑战，以在收获期间生成农田的遥感图像。具体来说，该研究使用CGANA-CBR模型生成农田的遥感图像，然后使用这些生成的图像来补充缺乏收获周期数据的真实遥感图像，从而实现了数据增强。随后，训练了卷积神经网络（CNN）模型，以提高平均产量预测的准确性。结果表明，与仅在实际远程感应数据中训练的基线CNN模型相比，RMSE的CNN模型同时结合了实际数据和CGANA-CBR生成的数据，其平均降低为6.3％。研究还发现，训练持续时间和使用的数据量显着影响模型性能，这表明需要在该领域进行进一步研究。
干燥大气边界层的生成对流参数化
抽象的湍流参数将仍然是公里尺度地球系统模型中必要的构建块。在对流边界层中，其中保守特性（例如潜在温度和水分）的平均垂直梯度大约为零，标准的ANSATZ将湍流通量与涡流扩散率的平均垂直梯度相关联，必须通过质量 - 浮力参数来扩展典型的非元素和降低的质量上流和下向大气边界层。我们提出了基于生成对抗网络的干燥和瞬时增长的对流边界层的参数化。训练和测试数据是从三维高分辨率直接数值模拟获得的。模型结合了自同性恋层生长的物理学，随后是通过重生化的经典混合层理论。这增强了生成机器学习算法的训练数据库，因此显着改善了在地面层上方边界层内部不同高度的合成生成的湍流场的预测统计数据。与随机参数的不同，我们的模型能够预测不同高度的浮力波动，垂直速度和浮力通量的高度非高斯和短暂性统计，从而捕获了最快的热量渗透到稳定的顶部区域。我们的生成算法的结果与标准的双方程质量 - 舒适方案一致。我们的概念证明也为在其他自然流中有效的数据驱动对流参数铺平了道路。目前的参数化还提供了湍流对流的颗粒型水平组织，这在其他模型封闭中均无法获得。
AI图像合成对平面设计的影响
7 叶聪，“基于机器学习算法的人工智能艺术设计演进及应用”，2021 IEEE 第四届信息系统与计算机辅助教育国际会议（ICISCAE），2021 年，https://doi.org/10.1109/iciscae52414.2021.9590775。8 Kieran Browne，“谁（或什么）是人工智能艺术家？”，Leonardo 55，第 2 期（2022 年）：130–34，https://doi.org/10.1162/leon_a_02092。 9 叶聪，“基于机器学习算法的人工智能艺术设计演进及应用”，2021 IEEE 第四届信息系统与计算机辅助教育国际会议（ICISCAE），2021 年，https://doi.org/10.1109/iciscae52414.2021.9590775。10 Justin O'Connor，“创意产业：新方向？”，国际文化政策杂志 15，第 4 期（2019 年）：387–402，https://doi.org/10.1080/10286630903049920。
具有生成对抗网络的高速接收器瞬态建模
摘要 - DATA密集型应用程序（例如人为的说明性和图形处理）变得司空见惯，需要高速IO才能部署这些关键应用程序。为了适应增加的数据需求序列化器/求职者（SERDES）接收器变得越来越复杂，具有不同的均衡方案来减轻通道障碍。对此接收器进行建模，因为它们是至关重要的。本文显示了一种通过生成网络进行固定和变化均衡的高速接收器瞬态建模的方法。该方法将接收器视为黑匣子，其输入和输出是两个不同的域，将问题作为域转换任务构图。所提出的方法使用时间序列的中间表示，成功地对接收器建模。我们证明所提出的方法是输入波形，接收器配置和通道不变的。在固定的均衡设置中，所提出的方法在[0,1]范围内的根平方误差为0.016，对于可变还原剂的同一范围内的误差为0.054。该方法可以在250ms以下预测一组批处理的结果，比同等时间步骤的等效香料模型快。索引项 - DATA驱动，生成，宏模型，Serdes，瞬态