XiaoMi-AI文件搜索系统
World File Search System重建
EP Collisions中D0重建的机器学习（ML） 沙丘远检测器光子检测系统的特征和表演 «Moleculardna
●在Milano-Bicocca和Ciemat中测试的HD-XA PDE●相同的sipms（在CIEMAT和MIB之间交换），但不同的WLS栏●这些四个配置在Protodune-HD NP04中同样表示，并且在数字和位置W.R.T.中平衡。横梁，进行公平比较●跨言论校正
基于二维稀疏心脏磁共振成像的三维双心室心脏形状重建和建模的神经变形模型
我们提出了一种新颖的神经可变形模型 (NDM)，旨在从二维稀疏心脏磁共振 (CMR) 成像数据中重建和建模心脏的三维双心室形状。我们使用混合可变形超二次曲面对双心室形状进行建模，该超二次曲面由一组几何参数函数参数化，能够进行全局和局部变形。虽然全局几何参数函数和变形可以从视觉数据中捕捉到总体形状特征，但可以学习局部变形（参数化为神经微分同胚点流）来恢复详细的心脏形状。与传统可变形模型公式中使用的迭代优化方法不同，可以训练 NDM 来学习此类几何参数函数、来自形状分布流形的全局和局部变形。我们的 NDM 可以学习以任意尺度加密稀疏心脏点云并自动生成高质量的三角网格。它还可以隐式学习不同心脏形状实例之间的密集对应关系，以实现准确的心脏形状配准。此外，NDM 的参数直观，医生无需复杂的后处理即可使用。大型 CMR 数据集上的实验结果表明，NDM 的性能优于传统方法。
引用原始发表的论文（记录的版本）：Hagel，J.，Brem，S.，Pineiro，J。等（2024）。原子重建对光学的影响
过渡金属二甲化物（TMDS）的扭曲双层揭示了丰富的激子景观，包括混合激子和空间捕获的Moiré激子，占主导地位的材料光学响应。最近的研究表明，在低扭转角度方面，晶格经历了显着的松弛，以最大程度地减少局部堆叠能量。在这里，出现了低能堆叠配置的大域，通过应变使晶格变形，从而影响电子带结构。然而，到目前为止，原子重建对激子能量景观和光学特性的直接影响尚未得到充分了解。在这里，我们采用了微观和材料特异性方法，并预测了重建的晶格中Moiré激子的潜在深度发生了显着变化，并且自然堆叠的TMD TMD同质同层中发生了最大的变化。与刚性晶格相比，我们显示了多个频段的外观，并且捕获位点位置的显着变化。最重要的是，我们预测WSE 2同类体的光学吸收中出现了多发结构 - 与主导刚性晶格的单个峰相比。此发现可以被利用为在天然堆积的扭曲同性恋者中Moiré激子光谱中原子重建的明确特征。
杜松：从接下来重建传输事件 -
1美国麻省理工学院和哈佛大学，美国马萨诸塞州剑桥市02142，美国。2美国马萨诸塞州剑桥市艺术与科学学院有机和进化生物学系，美国马萨诸塞州02138，美国。3美国霍华德·休斯医学研究所，美国医学博士20815，美国。4 Harvard-Mit健康科学与技术计划，美国马萨诸塞州剑桥市02139，美国。 5哈佛/麻省理工学院MD-PHD计划，美国马萨诸塞州波士顿，美国02115。 6系统，合成和定量生物学博士学位课程，系统生物学系，哈佛医学院，马萨诸塞州波士顿，美国马萨诸塞州02115。 7英国爱丁堡大学生态与进化研究所。 8 Fathom信息设计，马萨诸塞州波士顿，美国92114，美国9马萨诸塞州公共卫生部，马萨诸塞州波士顿，马萨诸塞州02108，美国。 10免疫学和传染病系，哈佛T.H. Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。 11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。 12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。4 Harvard-Mit健康科学与技术计划，美国马萨诸塞州剑桥市02139，美国。5哈佛/麻省理工学院MD-PHD计划，美国马萨诸塞州波士顿，美国02115。6系统，合成和定量生物学博士学位课程，系统生物学系，哈佛医学院，马萨诸塞州波士顿，美国马萨诸塞州02115。7英国爱丁堡大学生态与进化研究所。8 Fathom信息设计，马萨诸塞州波士顿，美国92114，美国9马萨诸塞州公共卫生部，马萨诸塞州波士顿，马萨诸塞州02108，美国。10免疫学和传染病系，哈佛T.H. Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。 11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。 12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。10免疫学和传染病系，哈佛T.H.Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。 11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。 12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。†函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。我们开发了杜松（系统发育和流行病学重建的关节基础网络推断），这是一种高度估计的病原体爆发重建工具，结合了host内变化，不完全采样和算法平行化。将这种内部内部变化模型与人口水平的进化模型结合在一起，我们开发了一种同时推断系统发育和传播树的方法。我们在计算机生成的爆发和实际爆发中对杜松进行了基准测试，其中传输链接已知或在流行病学上得到证实。我们演示了杜松的
从单目遥感图像进行 3D 建筑物重建
与从 LiDAR 数据和多视图影像重建相比，倾斜影像重建是大规模城市建模的重要研究问题和经济解决方案。然而，建筑物足迹和立面的部分不可见性、严重的阴影效应以及大范围区域内建筑物高度的极端变化等若干挑战将现有的基于单目影像的建筑物重建研究限制在某些应用场景中，即从近地面影像建模简单的低层建筑物。在本研究中，我们提出了一种新颖的单目遥感影像 3D 建筑物重建方法，解决了上述困难，从而为更复杂的场景提供了一种有吸引力的解决方案。我们设计了一个多任务建筑物重建网络 MTBR-Net，通过四个语义相关任务和三个偏移相关任务来学习倾斜影像的几何属性、3D 建筑物模型的关键组件及其关系。网络输出通过基于先验知识的 3D 模型优化方法进一步集成，以生成最终的 3D 建筑模型。在公共 3D 重建数据集和新发布的数据集上的结果表明，与目前最先进的方法相比，我们的方法将高度估计性能提高了 40% 以上，将分割 F1 分数提高了 2% - 4%。
创意人重建纽约
从2013年到2023年，近15倍上州就业增长率的15倍。 此外，在北部社区中，工作艺术家是人口始终增长的少数部分。 在纽约州北部，居民艺术家人口增长了21％。 可悲的是，我们创意产业中的这些快速转变超过了国家经济发展工具以支持工人。 例如，上州（区域经济发展委员会）REDC仅授予了2021年与艺术和文化有关的所有赠款的3.7％。 此外，在2022年全纽约州的104个DRI项目中，只有12个与艺术和文化有关。 1资金来支持这一增长的经济工具，反过来，增长对经济的积极影响正在减少，而与艺术和艺术相关的就业资金的资金在政府和慈善部门都下降了。 ●该州的经济决策者不能闲置。 我们的领导人必须开发从2013年到2023年，近15倍上州就业增长率的15倍。此外，在北部社区中，工作艺术家是人口始终增长的少数部分。在纽约州北部，居民艺术家人口增长了21％。可悲的是，我们创意产业中的这些快速转变超过了国家经济发展工具以支持工人。例如，上州（区域经济发展委员会）REDC仅授予了2021年与艺术和文化有关的所有赠款的3.7％。此外，在2022年全纽约州的104个DRI项目中，只有12个与艺术和文化有关。1资金来支持这一增长的经济工具，反过来，增长对经济的积极影响正在减少，而与艺术和艺术相关的就业资金的资金在政府和慈善部门都下降了。●该州的经济决策者不能闲置。我们的领导人必须开发
心理测量：一种用于从人类大脑活动重建图像的万能模型
通过脑机接口，重建所看到的人脑活动图像连接了人机视觉和计算机视觉。由于个体之间大脑功能存在固有差异，现有文献主要集中于使用每个人各自的脑信号数据为每个人获取单独的模型，而忽略了这些数据之间的共性。在本文中，我们设计了心理测量学，这是一个全方位模型，用于重建从不同受试者获得的功能性磁共振成像 (fMRI) 图像。心理测量学包含一个全方位专家混合 (Omni MoE) 模块，其中所有专家共同努力捕捉受试者间的共性，而与特定受试者参数相关的每个专家则负责处理个体差异。此外，心理测量学还配备了一种检索增强推理策略，称为 Ecphory，旨在通过检索预先存储的特定受试者记忆来增强学习到的 fMRI 表征。这些设计共同使心理测量变得万能而高效，使其能够捕捉受试者之间的共性和个体差异。因此，增强的 fMRI 表征可作为条件信号来指导生成模型重建高质量逼真的图像，从而使心理测量在高级和低级指标方面都成为最先进的技术。
g-hop：相互作用重建的生成性手动对象和掌握合成
和一个锅的不同）或意图（例如通过刀与使用它进行切割），我们人类可以毫不费力地描绘出与日常生活中日常物体的这种互动。在这项工作中，我们的目标是构建一个可以同样生成合理的手动配置的计算系统。具体来说，我们学习了一个基于扩散的常规模型，该模型捕获了3D相互作用期间手和对象的关节分布。给定一个类别的描述，例如“握着板的手”，我们的生成模型可以合成人手的相对配置和表达（见图1个顶部）。我们解决的一个关键问题是，该模型是什么好的HOI表示。通常通过空间（签名）距离场来描述对象形状，但人的手通常是通过由发音变量控制的参数网格建模的。我们提出了一个均匀的HOI表示，而不是在生成模型中对这些不同的代表进行建模，并表明这允许学习一个共同生成手和对象的3D扩散模型。除了能够合成各种合理的手和物体形状的综合外，我们的扩散模型还可以在跨任务的辅助推理之前作为通用，而这种表示是所需的输出。例如，重建或预测相互作用的问题对于旨在向人类学习的机器人或试图帮助他们的虚拟助手来说是核心重要性。重建的视频重新投影错误）或约束（例如我们考虑了这些行沿着这些行的两个经过深入研究的任务：i）从日常交互剪辑中重建3D手对象形状，ii）鉴于任意对象网格，合成了合理的人类grasps。为了利用学到的生成模型作为推论的先验，我们注意到我们的扩散模型允许在任何手动对象配置给定的（近似）log-likelihood梯度计算（近似）log-likelihoodhoodhood。我们将其纳入优化框架中，该框架结合了先前的基于可能性的指南与特定于任务的目标（例如已知对象网格的合成）推理。虽然理解手动相互作用是一个非常流行的研究领域，但现实世界中的数据集限制了3D中这种相互作用的限制仍然很少。因此，我们汇总了7种不同的现实世界交互数据集，从而导致157个对象类别的相互作用长期收集，并在这些范围内训练共享模型。据我们所知，我们的工作代表了第一个可以共同生成手和对象的生成模型，并且我们表明它允许综合跨类别的各种手动相互作用。此外，我们还经验评估了基于视频的重建和人类掌握合成的任务的先前指导的推断，并发现我们所学的先验可以帮助完成这两个任务，甚至可以改善特定于特定于任务的状态方法。
用于拓扑的自监督边缘检测重建...
许多基于机器学习的轴突追踪方法依赖于带有分割标签的图像数据集。这需要领域专家的手动注释，这需要大量劳动力，并且不适用于以细胞或亚细胞分辨率对半球或整个脑组织进行大规模脑映射。此外，保留轴突结构拓扑对于理解神经连接和大脑功能至关重要。自监督学习 (SSL) 是一种机器学习框架，允许模型在未注释的数据上学习辅助任务，以帮助完成监督目标任务。在这项工作中，我们提出了一种新颖的 SSL 辅助任务，即为面向拓扑的轴突分割和中心线检测的目标任务重建边缘检测器。我们使用小鼠大脑数据集对三个不同的 SSL 任务进行了 3D U-Nets 预训练：我们提出的任务、预测排列切片的顺序和玩魔方。然后，我们在不同的小鼠大脑数据集上评估了这些 U-Nets 和基线模型。在所有实验中，针对我们提出的任务进行预训练的 U-Net 分别将基线的分割、拓扑保留和中心线检测提高了 5.03%、4.65% 和 5.41%。相比之下，切片排列和魔方预训练的 U-Net 并没有比基线有持续的改进。
PointNeuron：通过点云的几何和拓扑学习进行 3D 神经元重建
从 3D 显微镜图像重建数字神经元是研究大脑连接组学和神经元形态的重要技术。现有的重建框架使用基于卷积的分割网络在应用追踪算法之前将神经元从噪声背景中分割出来。追踪结果对原始图像质量和分割精度很敏感。在本文中，我们提出了一种新的 3D 神经元重建框架。我们的关键思想是利用点云的几何表示能力来更好地探索神经元的内在结构信息。我们提出的框架采用一个图卷积网络来预测神经骨架点，采用另一个图卷积网络来产生这些点的连通性。我们最终通过解释预测的点坐标、半径和连接来生成目标 SWC 文件。在 BigNeuron 项目的 Janelia-Fly 数据集上进行评估，我们表明我们的框架实现了具有竞争力的神经元重建性能。我们对点云的几何和拓扑学习可以进一步有益于 3D 医学图像分析，例如心脏表面重建。我们的代码可在 https://github.com/RunkaiZhao/PointNeuron 上找到。