样条

2025年2月18日机构名称:

用于非线性近似的量子样条 - IRIS

参考量子技术是 HHL 算法。HHL 是一种近似准备形式为 | x ⟩ 的量子叠加的方法，其中 x 是线性系统 Ax = b 的解，A 是厄米设计矩阵，b 以 | b ⟩ 的振幅编码。从计算的角度来看，这需要的时间增长量大致为 O ( s 2 κ 2 log ( n ) /ϵ )（参见表 2 中 HHL 与经典算法的比较）。该算法相对于矩阵的大小呈对数增长，这意味着与经典算法相比，它具有指数优势。但是，它的复杂度是 s 和 κ 的多项式，这意味着我们必须对条件数和稀疏性引入约束，以免破坏 HHL 的计算优势。这使得之前的比较不公平，因为我们无法对设计矩阵做出一般的假设。

查看详细

File

2024年12月17日机构名称:

基于薄板样条插值，用于动画线INBETWINDING

动画线Inbetwewing是动画制作的关键步骤，旨在通过预测两个关键帧之间的中间线艺术来增强动画流动性。但是，现有方法在有效地解决稀疏像素和行动中的重大运动时面临挑战。在文献中，通常采用倒角距离（CD）来评估表现性能。尽管达到了有利的CD值，但现有方法通常会产生与线路断开连接的插入框架，尤其是对于涉及大型运动的场景 - iOS。为了解决这个问题，我们提出了一种简单而有效的插值方法，用于动画线，其中采用基于薄板样条的变换来更准确地估算两个关键帧之间的关键点对应关系，尤其是对于大型运动方案。在粗估计的基础上，使用简单的UNET模型在最终框架插值之前，采用了一个运动精炼模块来进一步增强运动细节。此外，为了更多地评估动画线的性能，我们完善了CD指标，并引入了一个名为“加权倒角距离”的新指标，该指标与视觉感知质量具有更高的一致性。此外，我们结合了Earth Mover的距离并进行用户研究以提供更全面的评估。我们的方法通过以增强的流动性提供高质量的介导结果来执行现有方法。

查看详细

File

2024年5月30日机构名称:

SINR：样条增强隐式神经表示......

随着深度学习的出现，可变形图像配准经历了一场变革。虽然卷积神经网络 (CNN) 可以加速配准，但与迭代成对优化方法相比，它们的准确度较低，并且需要大量的训练队列。基于使用神经网络表示信号的进步，隐式神经表示 (INR) 已在配准社区中出现，用于连续建模密集位移场。使用成对配准设置，INR 可以减轻从一组患者身上学到的偏差，同时利用先进的方法和基于梯度的优化。然而，坐标采样方案使得密集变换参数化与 INR 容易产生生理上不合理的配置，从而导致空间折叠。在本文中，我们介绍了 SINR——一种使用自由形式变形 (FFD) 参数化 INR 表示的连续可变形变换的方法。SINR 允许多模态可变形配准，同时缓解当前基于 INR 的配准方法中发现的折叠问题。 SINR 在 CamCAN 数据集上的 3D 单模和多模脑配准方面均优于现有的最先进方法，证明了其在成对单模和多模图像配准方面的能力。关键词：隐式神经表征、图像配准、多模

查看详细