XiaoMi-AI文件搜索系统
World File Search System立体
用于自然光未校准光度立体成像
自然光未校准光度立体 (NaUPS) 减轻了传统未校准光度立体 (UPS) 方法中严格的环境和光线假设。然而，由于内在的不适定性和高维模糊性，解决 NaUPS 仍然是一个悬而未决的问题。现有工作对环境光和物体材质施加了强有力的假设，限制了更一般场景中的有效性。或者，一些方法利用复杂模型的监督学习，但缺乏可解释性，导致估计有偏差。在这项工作中，我们提出了自旋光未校准光度立体 (Spin-UP)，这是一种无监督方法，用于解决各种环境光和物体中的 NaUPS。所提出的方法使用一种新颖的设置，在可旋转的平台上捕获物体的图像，通过减少未知数来减轻 NaUPS 的不适定性，并提供可靠的先验来缓解 NaUPS 的模糊性。利用神经逆向渲染和所提出的训练策略，Spin-UP 可以以较低的计算成本恢复复杂自然光下的表面法线、环境光和各向同性反射率。实验表明，Spin-UP 优于其他监督/无监督 NaUPS 方法，并在合成和真实世界数据集上实现了最先进的性能。代码和数据可在 https://github.com/LMozart/CVPR2024-SpinUP 获得。
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。
SMD -NET：立体声混合物密度网络-IRIS
在过去的几年中，深入的学习有了立体声匹配的精度，但恢复急剧的界限和高分辨率产出有效仍然充满挑战。在本文中，我们提出了立体声混合物网络（SMD-NETS），这是一个简单而有效的学习框架，与宽阔的2D和3D体系结构兼容，可改善这两个问题。特别是，我们利用双峰混合物密度作为输出代表，并表明这允许几乎不连续的尖锐而精确的差异估计，同时明确地构建了观测中固有的不确定性。此外，我们将差异估计作为图像域中的一个连续问题，从而使我们的模型以任意空间精度查询差异。我们对新的高分辨率和高度逼真的立体声数据集进行了全面的实验，该数据集由8MPX分辨率以及现实世界立体声数据集组成。我们的实验表明，在物体边界附近的深度准确性以及对标准GPU上高分辨率差异图的预测。，我们通过提高各种立体主杆的性能来证明我们技术的灵活性。
实时语义立体声匹配-IRIS
摘要 - 场景的理解在机器人技术，自动化，增强现实和许多其他领域至关重要。为了完全完成此任务，一个自主代理必须推断感应场景的3D结构（要知道它的位置）及其内容（了解它看到的内容）。为了解决这两个任务，经过训练的深度神经网络，从立体声图像中推断出语义细分和深度通常是首选的选择。特别是，可以独立训练这两个任务的独立模型或端到端的端到端体系结构来解决语义立体声匹配。到目前为止，这两种解决方案都是不具备的，因为在前一种情况下需要两个正向通行证，或者由于后者中单个网络的复杂性，尽管共同解决这两种任务通常在准确性方面是有益的。在本文中，我们为实时语义立体声匹配提供了一个紧凑而轻巧的体系结构。我们的框架以多阶段的方式依赖于粗到实体的估计，允许：i）即使在嵌入式设备上也非常快速推断，并且与最先进的网络相比，准确性下降的准确性下降，ii）根据特定的应用程序要求，速度的贸易准确性。与独立任务相比，在高端GPU以及嵌入式Jetson TX2上确保语义立体声匹配的优越性，并突出了我们框架在任何硬件和任何应用程序上的多功能性。
立体选择性共轭氰化物通过将光毒素和有机催化
*电子邮件：p.melchiorre@unibo.t对反应的选择性的精确控制是一个基本目标。尽管在实现立体控制方面已经获得了巨大的进步，但底物内官能团（化学选择性）的选择性操纵仍然是一个挑战。醛的氰化作用提供了一个说明性的例子：1,2-将亲核氰化物添加到醛基团中是立体选择性cat-alytic过程的第一个例子之一。相比之下，即使是在紫红色的变体中，也是线性α，β-未饱和醛的共轭氰化物仍然存在染料。主要难度在于在首选氰化物1,2粘合方面达到1,4化学选择性。在这里，我们报告了一种不对称的催化方法，以实现二烷的独家结合氰化。手性有机催化剂具有可见光激活的光蛋白-DOX催化剂的协同作用促进了抑制的单电子还原，从而诱导了正式的极性反转。在特征上具有亲核的手性自由基被具有完美的1,4化学选择性和良好立体控制的亲电氰化物源拦截。
治疗 - 脑转移对立体定向放射外科手术的反应
随着转移性癌症患者的存活率提高，长期对脑转移的局部控制已成为越来越重要的临床优先事项。虽然共识指南建议手术，然后进行> 3 cm病变的立体证明放射外科手术（SRS），但单独使用SRS治疗的较小病变（≤3cm）会引起可变反应。为了确定对SRS变量反应的影响的因素，我们分析了未经框架基于框架单分数SRS治疗的未经全身治疗的患者的脑转移结果≤3cm。SRS之后，1733年中有259个（15％）治疗的病变证明了有关局部治疗失败（LTF）的MRIIFIST，其中202/1733（12％）证明了LTF和54/1733（3％）（3％）具有不良辐射效应。多变量分析表明肿瘤大小（> 1.5 cm）和黑色素瘤组织学与LTF率较高有关。我们的结果表明，≤3cm的脑转移对SRS并不均匀地响应SRS，并表明对单独的SR或与手术结合对脑转移的作用进行了前瞻性研究，并保证与肿瘤大小和组织学相匹配的脑转移量≤3cm。这些研究将有助于建立多学科治疗指南，以改善局部控制，同时最大程度地减少脑转移治疗期间的辐射坏死。
svg：3D立体视频生成...
视频生成模型已经证明了产生令人难以置信的单眼视频的功能，但是，3D立体视频的产生仍然不足。我们提出了一种使用现成的单眼视频生成模型的无姿势和无训练方法，用于发电3D立体视频。我们的方法使用估计的视频深度将生成的单眼视频扭曲到立体基线的相机视图中，并采用了一种新型的框架矩阵视频介绍框架。该框架利用视频代理模型来从不同的时间戳和视图中观察到的框架。这种有效的方法会产生一致且具有语义相干的立体视频，而无需场景优化或模型调整。此外，我们开发了一个不合格的边界重新注射方案，该方案通过减轻潜在空间中分离的区域传播的负面影响进一步提高视频介绍的质量。我们通过对包括Sora（Brooks等，2024），Lumiere（Bar-Tal等，2024），Walt（Gupta等，2023）和Zeroscope（Wang等人（Wang et al。，2023A）的视频进行实验来验证我们提出的方法的效率。实验表明我们的方法比以前的方法具有显着改善。项目页面https://daipengwa.github.io/svg_projectpage/
立体声（第2部分）
Jul。2024年 - 加利福尼亚大学，圣地亚哥计算机科学与工程系3月。2022- 2023年12月Google访问研究员MSCA（ML，Systems和Cloud AI）Jul。2020 -Jun。2024加州大学圣地亚哥分校计算机科学与工程系副教授，2017年11月 - Jun。 2020年加利福尼亚大学，圣地亚哥分校计算机科学与工程系助理教授，2017年11月至2018年12月，加利福尼亚大学圣克鲁斯分校，计算机工程系访问助理教授，2015年1月 - 2017年11月，加利福尼亚州圣克鲁斯大学，2014年1月1日，加利福尼亚大学，加利福尼亚大学，2014年1月。智能基础设施实验室实验室研究助理2024加州大学圣地亚哥分校计算机科学与工程系副教授，2017年11月 - Jun。2020年加利福尼亚大学，圣地亚哥分校计算机科学与工程系助理教授，2017年11月至2018年12月，加利福尼亚大学圣克鲁斯分校，计算机工程系访问助理教授，2015年1月 - 2017年11月，加利福尼亚州圣克鲁斯大学，2014年1月1日，加利福尼亚大学，加利福尼亚大学，2014年1月。智能基础设施实验室实验室研究助理
Benjamin L. Ochoa -UCSD CSE 计算机视觉简介I CSE 152A讲座1 LIFT3D：将任何2D视觉模型的零射击到3D Nadia Heninger -UCSD CSE 立体声（第2部分） Jishen Zhao -UCSD CSE 逆渲染的时空双侧梯度过滤 神经体系结构CSE 252D：高级计算机视觉 图像过滤 浮雕歧义 光度图像形成 未校准的立体声和特征提取
教学加利福尼亚大学圣地亚哥大学本科课程CSE 8B编程和计算问题解决简介II，2020，2021，2021，2022（春季和秋季），2023，2023，2025 CSE 11编程和计算问题解决简介解决简介：解决速度：加速速度，2024（Spring and Fall），2024（Spring and Fall）CSE 15L软件工具和技术分析，春季和2019年，2019年（冬季），2019年（冬季），2019年，冬季（冬季），企业，2019年冬季cers和2019 of Algorithms , 2018 CSE 152 Introduction to Computer Vision , 2015, 2016, 2017, 2018 CSE 152A Introduction to Computer Vision I (broad introduction), 2021, 2024 CSE 166 Image Processing , 2016, 2017, 2019, 2020 (spring and fall), 2022, 2023 (winter and fall) CSE 167 Computer Graphics , 2018, 2020 Graduate Courses CSE 252A Computer Vision I (comprehensive简介），2014，2015，2015，2016，2019，2021，2022，2023，2023，2025 CSE 252B计算机愿景II（成像几何），2014，2014，2015，2016，2017，2018，2019，2019，2021，2021，2021，2022，2022，2023，2023，2023，2024 CSE 252C选择了视觉和学习的主题291），2021（作为CSE 291），2022，2023，2024
立体定向放射外科手术（框架）治疗前
治疗前的晚上，在治疗前一天晚上午夜后不进食或喝任何东西。如果您已经开了口服药物，请仅用一小口水或按照指示服用它们。到达后准备好的日子，您将换成医院礼服。护士将在您的手或手臂上放一根小针（IV），以便在需要时给药，而IV对比染料。头部框架由神经外科医生施加到您的头部。框架放置可能会引起一些疼痛。在框架放置前，局部麻醉用于使您的头皮上的4个位点麻木4个位点（额头上的2个位置，在头部背面2个）。这大约需要15-20分钟。CT扫描放置框架后，您将进行CT扫描。这将有助于查明治疗区域的确切位置和大小。它也用于治疗计划。CT后，您将在舒适的区域等待治疗。电视可供您使用。如果您从未进行过CT扫描，请让护士知道。您将获得一个详细描述的讲义。饮食在CT扫描后您将能够吃饭和喝。请在治疗的那一天喝额外的液体。尝试多喝1-2夸脱的液体。这将从您的系统中冲洗染料。完成CT扫描后，您将获得一顿饭。