XiaoMi-AI文件搜索系统
World File Search System映射函数
英特尔® QuickAssist 技术（英特尔® QAT）软件...
6.2.1 IOMMU 重映射函数 ................................................................................................ 90 6.2.1.1 icp_sal_iommu_get_remap_size ......................................................... 90 6.2.1.2 icp_sal_iommu_map ...................................................................................... 91 6.2.1.3 icp_sal_iommu_unmap ...................................................................................... 91 6.2.1.4 IOMMU 重映射函数使用方法 ...................................................................... 92 6.2.2 轮询函数 ............................................................................................................. 92 6.2.2.1 icp_sal_pollBank ...................................................................................... 93 6.2.2.2 icp_sal_pollAllBanks ................................................................................ 93 6.2.2.3 icp_sal_CyPollInstance ........................................................................... 94 6.2.2.4 icp_sal_DcPollInstance ........................................................................... 95 6.2.2.5 icp_sal_CyPollDpInstance ......................................................................... 95 6.2.2.6 icp_sal_DcPollDpInstance ......................................................................... 96 6.2.3 用户空间访问配置函数 ........................................................................... 97 6.2.3.1 icp_sal_userStart ...................................................................................... 97 6.2.3.2 icp_sal_userStop ...................................................................................... 98 6.2.4 版本信息函数 ........................................................................................... 98 6.2.4.1 icp_sal_getDevVersionInfo .................................................................... 99 6.2.5 重置设备函数 ......................................................................................................... 99 6.2.5.1 icp_sal_reset_device ........................................................................... 99 6.2.6 无线程 API .......................................................................................................... 100 6.2.6.1 icp_sal_poll_device_events ................................................................. 100 6.2.6.2 icp_sal_find_new_devices ......................................................................... 101 6.2.7 压缩和验证（CnV）相关 API ............................................................................. 101 6.2.7.1 icp_sal_dc_get_dc_error() .................................................................... 101 6.2.7.2 icp_sal_dc_simulate_error() .............................................................102 6.2.8 心跳 API .............................................................................................................102 6.2.8.1 icp_sal_check_device() ...................................................................... 103
通过光场投影进行 3D 光刻 - NSF-PAR
提出并演示了一种通过微透镜阵列 (MLA) 的光场投影进行 3D 光刻的方法。利用 MLA，我们可以通过开发的聚焦方案将来自空间光调制器 (SLM) 的光传送到 3D 空间中的任意位置，即体素。体素位置和 SLM 像素位置之间的映射函数可以通过光线追踪一一确定。基于正确的映射函数，可以通过 SLM 和 MLA 在 3D 空间中重建计算机设计的 3D 虚拟物体。然后可以对投影的 3D 虚拟物体进行光学压缩并将其传送到光刻胶层进行 3D 光刻。利用适当的近紫外光，可以在光刻胶层内的不同深度构建 3D 微结构。这种 3D 光刻方法可用于在任意位置进行高速 3D 图案化。我们预计，在提出的光场 3D 投影/光刻方案中采用飞秒光源和相关的多光子固化工艺时，也可以实现高精度 3D 图案化。多光子聚合可以防止在到达设计的焦点体素之前沿光路对区域进行非自愿图案化，如我们在单光子演示中所观察到的那样。
金融服务领域的生成人工智能
监督学习涉及向模型提供标记的训练数据，其中正确的输出是已知的，使模型能够学习输入和输出之间的映射函数。例如，在金融服务领域，监督学习算法广泛用于检测和预防欺诈活动。训练数据将包括欺诈和非欺诈电汇的示例，每个示例都明确标记了各自的类别。随后，对模型进行训练，将这些知识推断到新的、未标记的电汇数据中，并根据学习到的模式对其进行有效分类。监督学习的潜在应用范围非常广泛，扩展到情绪分析等任务，其中文本数据是
图像配准方法：一项调查 - utia.cas.cz
本文旨在对近期和经典的图像配准方法进行回顾。图像配准是将在不同时间、从不同视点和/或由不同传感器拍摄的同一场景的图像（两个或多个）叠加的过程。配准在几何上对齐两个图像（参考图像和感测图像）。根据所审查的方法的性质（基于区域和基于特征）以及图像配准过程的四个基本步骤对所审查的方法进行分类：特征检测、特征匹配、映射函数设计以及图像变换和重采样。本文提到了这些方法的主要贡献、优点和缺点。还讨论了图像配准的问题和未来研究的展望。本文的主要目标是为参与图像配准的研究人员提供全面的参考资料，无论其特定应用领域如何。q 2003 Elsevier B.V. 保留所有权利。
图像质量迁移的三维条件扩散模型
低场 (LF) MRI 扫描仪 (<1T) 在资源有限或电源不可靠的环境中仍然很普遍。然而，它们产生的图像的空间分辨率和对比度通常低于高场 (HF) 扫描仪。这种质量差异可能导致临床医生的解释不准确。图像质量迁移 (IQT) 旨在通过学习低质量和高质量图像之间的映射函数来提高图像质量。现有的 IQT 模型通常无法恢复高频特征，导致输出模糊。在本文中，我们提出了一种 3D 条件扩散模型来改进 3D 体积数据，特别是 LF MR 图像。此外，我们将跨批次机制整合到我们网络的自注意力和填充中，即使在小型 3D 块下也能确保更广泛的情境感知。在公开的人类连接组计划 (HCP) 数据集上进行的 IQT 和脑分区实验表明，我们的模型在数量和质量上都优于现有方法。该代码可在 https://github.com/edshkim98/DiffusionIQT 上公开获取。
25 优化基于 3D U-Net 的脑肿瘤分割...
虽然神经胶质瘤已成为最常见的癌性脑肿瘤，但通过 3D MRI 进行手动诊断非常耗时，且不同的放射治疗师进行的诊断可能不一致，因此迫切需要自动分割脑肿瘤。最先进的方法采用 FCN 来自动分割 MRI 扫描。特别是 3D U-Net 已经取得了显著的表现，并激发了一系列后续研究。然而，它们巨大的规模和繁重的计算阻碍了它们的实际部署。尽管存在大量关于使用低精度表示压缩 CNN 的文献，但它们要么注重减少存储而没有计算改进，要么导致严重的性能下降。在本文中，我们提出了一种 CNN 训练算法，该算法使用非负整数以及训练过的仿射映射函数来近似权重和激活。此外，我们的方法允许以整数算术方式执行点积运算，并将浮点解码和编码阶段推迟到层的末尾。 BraTS 2018 上的实验结果表明，我们训练过的仿射映射方法在 8 位权重和激活的情况下实现了接近全精度的骰子精度。此外，在使用 4 位和 2 位精度时，我们分别实现了与全精度骰子精度相差 0.005 和 0.01 以内的骰子精度。