XiaoMi-AI文件搜索系统
World File Search SystemCV
单光子激光元的分辨率限制-CVF Open Access
单光子光检测和范围（LIDAR）系统通常配备一系列检测器，以提高空间分辨率和传感速度。但是，考虑到激光跨场横跨场景产生的固定量磁通量，当更多像素在单位空间中堆积时，每像素信号到噪声（SNR）将减小。这在传感器阵列的空间分辨率与每个像素的SNR之间的空间分辨率之间提出了基本的权衡。探索了这种基本限制的理论表征。通过得出光子竞争统计量并引入一系列新的近似技术，得出了时间延迟的最大样品估计器的平均平方误差（MSE）。理论预测与模拟和实际数据良好。
COVID-19疫苗技术咨询小组（CV标签）...
1。Polack，F.P。等，BNT162B2 mRNA COVID-19疫苗的安全性和功效。新英格兰医学杂志，2020年。383（27）：p。 2603-2615。2。Medsafe。MedSafe收到的Covid疫苗申请的批准状态。2021 2021年8月25日[引用2021年10月18日]；可从以下网站获得：https：//www.medsafe.govt.nz/covid-19/status-opp--applications.asp。3。Greenhawt，M。等人，对SARS-COV-2疫苗过敏的风险以及建议的评估和管理：系统评价，荟萃分析，年级评估和国际共识方法。过敏和临床免疫学杂志：实际上，2021年。9（10）：p。 3546-3567。4。atagi。Atagi扩大了有关急性主要医疗状况的指南，这些医疗状况需要与COVID-19疫苗相关的临时医疗豁免。2021;可从以下网站获得：https：//www.health.gov.au/sites/default/files/documents/2021/10/atagi-expand--gudance-ugunce-undance-undemance-underance-undemporary-medical-medical-medical-medical-medical-for-covid-covid-19-vaccines.pdf。5。Medsafe-新西兰药品和医疗设备安全局。新西兰数据表，Comirnaty Covid-19疫苗。2021;可从：https：//www.medsafe.govt.nz/profs/datasheet/c/comirnatyinj.pdf获得。6。Sellaturay，P。等人，聚乙二醇（PEG）是辉瑞/Biontech mRNA Covid-19疫苗过敏反应的原因。临床和实验过敏，2021。51（6）：p。 861-863。7。JAMA内科，2021。8。Medsafe。9。Krantz，M.S。等人，在对第一剂剂量立即反应的患者中，对信使RNA COVID-19疫苗的第二剂量评估的安全评估。通过Covid-19-19疫苗免疫后的不良事件：安全报告＃31-2021年10月2日。可从：https：//medsafe.govt.nz/covid-19/safety-dresoge-31.asp获得。Barda，N。等，在全国范围内BNT162B2 mRNA COVID-19疫苗的安全性。新英格兰医学杂志，2021年。385（12）：p。 1078-1090。
无培训预处理的模型合并-CVF Open Access
最近，模型合并技术已浮出水面，作为将多个单元模型组合为单个多泰模型组合的解决方案。但是，该领域的先前努力需要进行其他培训或细调过程，或者要求模型具有相同的预先训练的初始化。在这项工作中，我们在W.R.T.先前的工作中确定了一个缺点。单位相似性在重量空间和激活空间中的不一致性。为了解决这种不一致，我们提出了一个创新的模型合并框架，该模型是在双空间约束（MUDSC）下合并的。具体而言，我们主张探索位于双重空间中统一高相似性的区域中的置换矩阵，而不是仅仅使单个空间的目标最大化，这是通过激活和重量相似性矩阵的线性组合实现的。为了提高可用性，我们还对群体结构进行了对企业的适应，包括多头关注和群体标准化。全面的实验比较表明，MUDSC可以很明显地提高具有各种任务组合和体系结构的合并模型的性能。此外，多任务损失景观中合并模型的可视化表明，MUDSC使合并的模型能够驻留在重叠段中，其中每个任务都有统一的较低损失。我们的代码可在https://github.com/zju-vipa/training_free_model_merging上公开获取。
Kevin M. Koch PhD课程CV
2009 - 2014 Member, Magnetic Resonance Patent Evaluation Board, GE Healthcare 2014 - Present member, MRI Safety Committee, Medical College of Wisconsin 2015 - 2020 Member, Institutional Review Board, Medical College of Wisconsin 2017 Member, Office of Technology Transfer Director, Search Committee, Medical College of Wisconsin 2019 - Present Grant Reviewer, Pilot Grant Review Committee, CTSI of Southeastern Wisconsin 2019 - Present Member, Medical Physics医学院放射学系居住委员会
![arxiv：2503.09403v1 [cs.cv] 2025年3月12日](/simg/6/66d94d4e4d450610290325e5635779660833c4e1.webp)
arxiv：2503.09403v1 [cs.cv] 2025年3月12日
图像恢复（IR）由于现实世界中的复杂性而具有挑战性。虽然已经开发了许多专业和多合一的IR模型，但它们无法有效地处理复杂的混合降解。最新的方法可以修复和代理利用智能的，自主工作流以减轻此问题，但由于其资源密集型填充，他们的效果和效率低下，并且由于其资源密集型填充而遭受了较低的效率，以及无效的搜索和工具执行试验以实现令人满意的输出。在本文中，我们提出了Mair，这是一种新颖的方法来解决IR问题。我们提出了一个现实世界中的降级，将降解分为三种类型：（1）场景，（2）成像和（3）压缩，观察到这些压缩是在现实世界中依次发生的，并按照序列的顺序逆转它们。基于这个三阶段的恢复框架 - 梅尔（Mair）模仿了一个合作的人类专家团队，其中包括用于整体计划的“调度程序”和多个专门用于特定退化的“专家”。这种设计最大程度地减少了搜索空间和试验工作，改善了图像质量，同时降低了推理成本。此外，还引入了一种注册机制，以简化整合新工具。对合成和实地世界数据集进行的实验表明，提出的MAIR可以实现竞争性能，并提高了先前代理IR系统的效率。代码和型号将提供。
![arxiv：2503.09277V1 [CS.CV] 2025年3月12日](/simg/e/e645e53140763fdc4070038122156902e6f701ab.webp)
arxiv：2503.09277V1 [CS.CV] 2025年3月12日
随着基于扩散的[12，41]文本到图像生成技术的进步，一系列单条件可控的生成框架（例如ControlNet [58]，T2-IADAPTER [30]，IP-ADAPTER [57]和INSTANTID [46]和INTSTANTID [46]已经扩展了控制信号的范围，该框架已扩展了从字体提示中扩展了控制信号的范围。它允许用户控制生成的图像的更详尽的方面，例如布局，样式，特征等。这些常规方法是专门为UNET [37]主骨的主干（LDM）[36]设计的，具有专用的控制网络。此外，最近的一些方法，例如Imini-Control [44]，将控制信号集成到扩散变压器（DIT）[7，22]体系结构中，它们与LDM中的UNET相比表现出了出色的性能。尽管上述方法达到了有希望的单条件性能，但多条件可控生成的挑战仍未解决。以前的多条件生成方法（例如Uni-Control [34]和Unicontrolnet [59]通常依赖于处理诸如Chany或Depth Maps之类的空间条件，并且无法适应受试者条件，从而导致适用的情况有限。尽管最近提出的CTRL-X [26]具有控制结构和外观，但其性能并不令人满意，并且仅支持有限的条件组合。因此，统一框架需要以多条件生成的方式包含这些生成任务。通过集成多个pre-此外，我们假设许多现有的生成任务可以被视为多条件的一代，例如虚拟试验[5，16]，对象插入[3，50]，样式传输[14，32，51]，空间分配的自定义[19，20，24，26]等该框架应确保与所有输入约束的一致性，包括主题ID保存，空间结构对齐，背景连贯性和样式均匀性。为了实现这一目标，我们提出了Unicombine，这是一个提供多个关键范围的能力和通用框架：首先，我们的框架能够同时处理任何条件组合，包括但不限于文本提示，空间图和下图图像。具体来说，我们引入了一种新颖的条件MMDIT注意机制，并结合了可训练的DeNoisis-Lora模块，以构建无训练和基于培训的版本。
![arxiv：2503.08960v1 [cs.cv] 2025年3月11日](/simg/3/3936df9217dd73de8ba2b35f36aa80fd0935ff57.webp)
arxiv：2503.08960v1 [cs.cv] 2025年3月11日
摘要。心电图（ECG）是诊断多种心脏异常的必不可少的工具：它提供了有价值的临床见解，同时在许多情况下负担得起，快速且可用。然而，在当前文献中，ECG分析的作用通常不清楚：许多方法要么依赖于其他成像方式，例如诸如层压扫描肺血管造影术（CTPA）（CTPA），可能并非总是可用，要么不可用，或者不有效地跨越不同的clas-sification问题。此外，公共心电图数据集的可用性是有限的，实际上，这些数据集往往很小，因此可以优化学习策略。在这项研究中，我们研究了多个神经网络体系结构的性能，以评估各种方法的影响。此外，我们检查这些实践是否会增强模型的概括，用于翻译在较大的ECG数据集中学到的信息，例如PTB-XL和CPSC18，将其用于一个较小，更具挑战性的肺栓塞（PE）检测数据集。通过利用转移学习，我们分析了我们可以在有限数据上提高学习效率和预测性能的程度。
![arxiv：2503.08148v1 [CS.CV] 2025年3月11日](/simg/6/67376c889f5b97b401db6d093a2601e11175bfdb.webp)
arxiv：2503.08148v1 [CS.CV] 2025年3月11日
最近，扭曲或构成生成模型的事实的图像已成为社会知识。要应对一般人工智能（AI）模型的连续演变，模型归因（MA）是必需的，而不仅仅是鉴定合成图像。但是，必须从头开始培训当前基于深度学习的MA方法，以识别既耗时又耗时的模型。这项工作提出了一种新的策略，以处理持久新兴的生成模型。我们适应了少数拍摄的类侵入学习（FSCIL）机械性，以发现新的生成AI模型。与现有的FSCIL方法使用高级插入式对象分类的方法不同，MA需要分析综合图像中的颜色和纹理等低级细节。因此，我们利用夹子vit特征的不同利益来利用可学习的表示形式。为了学习有效的代表，我们提出了自适应集成模式（AIM），以计算每个图像的夹子vit块特征的加权总和，从而增强了对识别生成模型的ABIL。广泛的实验表明，我们的方法有效地从先前的生成模型扩展到最近的生成模型。
![arxiv：2503.07465v1 [cs.cv] 2025年3月10日](/simg/a/af2a7dce29aefe4e4b6e956d62ebff4e79d71644.webp)
arxiv：2503.07465v1 [cs.cv] 2025年3月10日
对象检测和细分被广泛用于计算机视觉应用中，但是诸如Yolo系列的传统模型虽然有效而准确，但受预定义的类别的限制，从而阻碍了开放的SCE-Narios的适应性。最近的开放式方法利用文本提示，vi-sual提示或迅速的范式来克服这一点，但由于高计算需求或部署复合物而导致的性能和效率之间经常妥协。在这项工作中，我们介绍了Yoloe，该YOLOE在单个高效的模型中跨越了各种开放及时机制的检测和分割，实现了任何事物。对于文本提示，我们提出了可重新参数的区域文本对齐（REPRTA）策略。它通过重新参数轻巧的辅助网络来完善预处理的文本嵌入，并具有零推理和转移开销的视觉文本对齐。对于视觉提示，我们提出了语义激活的视觉提示编码器（SAVPE）。启用了解耦的语义和激活分支，以最小的复杂性带来了改进的视觉嵌入和准确性。对于迅速的场景，我们引入了懒惰的区域贡献对比（LRPC）策略。它利用大型词汇和专业嵌入中的内置来识别所有对象，避免了昂贵的语言模型。广泛的实验表明，Yoloe的出色零射击性能和可转移性具有较高的下降效率和低训练成本。值得注意的是，在LVIS上，训练成本较小，1.4倍推理加速，Yoloe-V8-S以3.5 AP超过Yolo-Worldv2-S。转移到可可时，Yoloe-V8-L可在封闭式的Yolov8-L上获得0.6 AP B，而较小的训练时间较小4倍。代码和型号可在https：//github.com/thu-mig/yoloe上找到。
Stephanie Olivier-Van Stichelen Phd Curriculum Vitae CV
09/2009-12/2012 Ph.D. representative, Institute Board, Unit of Structural and Functional Glycobiology 09/2010 - 12/2012 Chair, Journal club, Unit of Structural and Functional Glycobiology 06/2013 - 09/2017 Chair, Visiting Fellows Committee(VFC), National Institute of Health 06/2013 - 09/2018 Chair, French NIH association(Fr@NIH), National Institute of Health 03/01/2019-09/01/2021威斯康星州医学院教职委员会生物化学DPT代表05/01/2019-现任生物化学联络，威斯康星州医学院全球卫生办公室，威斯康星州医学院09/15/2020-现任任命成员，医学院委员会，医学院委员会，医学院委员会，/DIVATER委员会，