XiaoMi-AI文件搜索系统
World File Search SystemDeno
通过降级扩散驱动的神经代表
摘要。最近，在便携式低场（LF）磁共振成像（MRI）系统的降低方面取得了显着进步。这些系统旨在提供低成本，非屏蔽和床侧诊断解决方案。MRI在降低的田间强度下经历了信噪比（SNR）的降低，从而导致严重的信号恶化和重建不良。因此，由于任务的性质不佳，从低场MRI重建高场等效图像是一个复杂的挑战。在本文中，我们引入了扩散模型驱动的神经表示。我们将低场MRI增强问题分解为数据一致性子问题和先前的子问题，并在迭代框架中解决它们。扩散模型提供了高质量的高场（HF）MR图像，而隐式神经表示确保了数据一致性。实验结果对模拟的LF数据和临床LF数据的结果表明，我们所提出的方法能够实现零摄像的LF LF MRI增强功能，从而显示出一些临床应用的潜力。
基于3D denoising扩散概率模型的PET图像Denoising：总体数据集的评估
摘要。由于各种物理降解因子和检测到的少量计数，从低剂量正电子发射断层扫描（PET）扫描中获得了高质量的图像是具有挑战性的。基于高级分布学习的生成模型（一种基于高级分布学习的生成模型）的转化扩散概率模型（DDPM）显示了各种计算机视觉任务的有希望的性能。但是，目前DDPM主要以2D模式进行研究，该模式的限制是pet图像denoising的局限性，因为通常以3D模式获取，重建和分析PET。在这项工作中，我们提出了一种用于PET Image DeNoising的3D DDPM方法，该方法采用3D卷积网络来训练得分函数，并启动网络学习3D分布。使用从西门子传记视觉Quadra扫描仪（轴向视野> 1m）获取的总体体18 F -FDG PET数据集来评估3D DDPM方法，因为这些总体数据集需要的3D操作最多可从不同的轴向液体中利用丰富的信息。所有模型均在1/20低剂量图像上训练，然后在1/4、1/20和1/50低剂量图像上进行评估。实验结果表明，在定性和定量评估中，3D DDPM明显优于2D DDPM和3D UNET，能够从低质量PET图像中恢复更精细的结构和更准确的边缘轮廓。此外，当训练和测试数据之间存在噪声水平不匹配时，3D DDPM显示出更大的鲁棒性。最后，就不确定性而言，将3D DDPM与2D DDPM进行比较，发现3D DDPM对可重复性的信心更高。
事件摄像机使用异步时空 - ...
与常规摄像机相比，事件摄像机代表了神经形态成像技术的值得注意的进步，由于其独特的优势，研究人员引起了很大的关注。但是，事件摄像机容易受到显着水平的测量噪声，这可能会对依赖于事件流的算法的性能降低，例如感知和导航。在这项研究中，我们介绍了一种新颖的方法来降级事件流，目的是填写未能准确反映出真正的对数强度变化的事件。我们的方法着重于事件的异步性质和时空特性，最终导致了新型异步时空事件的发展神经网络（ASTEDNET）。该网络直接在事件流上运行，规避将事件流转换为图像帧等密集格式的需求，从而保留其固有的异步性质。借助图形编码和时间卷积网络的原理，我们结合了时空特征注意机制，以捕获事件之间的时间和空间相关性。这可以使原始流中每个活动事件像素的分类为代表真正的强度变化或噪声。在多个数据集上针对最先进方法进行的比较评估表明，我们所提出的算法在消除噪声方面具有显着的效率和鲁棒性，同时将有意义的事件信息保留在场景中。
当音频denoising遇到尖峰神经网络
摘要 - Audio DeNoisisiques是增强音频质量的重要工具。尖峰神经网络（SNN）为音频转化提供了有希望的机会，因为它们利用了脑启发的体系结构和计算原理来有效地处理并分析音频信号，从而通过提高的准确性和降低了计算机上的高空空间，从而实现了实时Denoo。本文介绍了Spiking-Fullsubnet，这是一种基于SNN的实时音频DeNoising模型。我们提出的模型不适合一种新型的封闭式尖峰神经元模型（GSN），以有效捕获多尺度的时间信息，这对于实现高赋予音频降解至关重要。此外，我们建议将GSN集成在优化的全snet神经架构中，从而实现了全频段和子带频率的有效处理，同时显着降低了计算的额外处理。与体系结构的进步一起，我们结合了一个基于度量歧视的损失函数，该功能有选择地增强所需的性能指标而不会损害他人。经验评估表明，尖峰全鞋的表现出色，将其排名为英特尔神经形态深噪声抑制挑战的轨道1（算法）的赢家。索引术语 - 语言denoising，尖峰神经网络，neu-Romorphic Computing，Audio Signal Processing
使用生成对抗网络和对比度学习
摘要 - 巨型镜像通常会遭受高水平的噪声，这可能会阻碍进一步的分析和解释。已经提出了解决此问题的内容感知图像恢复（CARE）方法，但是它们通常需要大量的培训数据并遭受过度填充。为了提出这些挑战，我们提出了一个新颖的框架，用于几个射击显微镜图像denoising。我们的方法结合了通过对比度学习（CL）训练的生成对抗网络（GAN）与两个结构保留损失项（结构相似性指数和总变异损失），以进一步使用很少的数据进一步提高DeNO.图像的质量。我们证明了我们的方法在三个知名的显微镜成像数据集上的有效性，并表明我们可以在保留脱索质量的同时大大减少训练数据的量，从而减轻获取配对数据的负担并实现几乎没有射击学习。提出的框架可以轻松扩展到其他图像恢复任务，并有可能显着推进显微镜图像分析的领域。
diffsim：生成相的分类概率模型，用于生成相的杂物，suihong xu*，suihong Song，Tapan Mukerji Stanford University Summ
DiffSim: Denoising diffusion probabilistic models for generative facies geomodeling Minghui Xu*, Suihong Song, Tapan Mukerji Stanford University SUMMARY Constructing high-resolution and realistic geomodels plays an important role in the decision-making processes of earth resources exploration and other sustainability strategies like subsurface carbon dioxide sequestration.生成模型在地系上表现出巨大的希望，因为它们能够嵌入抽象的地质知识。因此，我们探讨了降解扩散模型，新的生成方法的能力，以学习地下相地模型的复杂和高维数据分布。合成通道数据集的实验说明了无条件扩散模型在保证空间模式，数据分布和多样性中的有效性。重要的是，这些模型产生了与地质真实性相矛盾的文物的实现。此外，我们还测试了有条件的扩散模型，以创建逼真的相模型，同时调节井相数据。引言生成符合地质学家知识和空间统计关系的模型对于理解地质过程和地球资源探索至关重要。传统的地址化方法，例如基于变量图或基于多个统计的方法（MPS），已经证明了它们学习空间模式并在许多情况下产生相对逼真的地质模型的能力（González等，2008; Linde等，2015）。但是，它们有效地描述了有效的地质模式的能力有限。例如，变量图仅依靠两点关系来构建地质模型，该地质模型无法描述高度非线性的模式。与基于变异函数的方法相比，MP可以捕获更复杂的地质现象。然而，国会议员仍然面临着在强烈异质地质环境中准确再现复杂现实主义的挑战。深度学习的生成模型通过有效捕获输入数据集的基本分布来综合高维数据，在综合高维数据中取得了出色的性能。许多研究人员已将生成对抗网络（GAN）应用于地理编码（Zhang等，2019; Song等，2021a，2021b）和反转问题（Mosser等，2020; Song等，2023）。但是，gan的培训可能会面临挑战，因为两个神经网络（发电机和歧视者）以对抗性方式同时训练。
使用机器学习进行量子图像去噪
量子图像处理 (QIP) 是一个旨在利用量子计算的优势来处理和分析图像的领域。然而，QIP 面临两个挑战：量子比特的限制和量子机器中噪声的存在。在本研究中，我们提出了一种新方法来解决 QIP 中的噪声问题。通过训练和使用机器学习模型来识别和校正量子处理图像中的噪声，我们可以补偿机器引起的噪声并以更高的效率检索类似于传统计算机执行的处理结果。该模型通过学习由现有处理图像和来自开放获取数据集的量子处理图像组成的数据集进行训练。该模型将能够为我们提供每个像素的置信度及其潜在的原始值。为了评估模型在补偿 QIP 中的损失和退相干方面的准确性，我们使用三个指标对其进行评估：峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和平均意见分数 (MOS)。此外，我们还讨论了我们的模型在各个领域的适用性以及与其他方法相比的成本效益。
DNA：精细颗粒类别发现的邻域聚集
从粗制的数据中发现细粒类别是一项实用且挑剔的任务，可以在对细粒度分析的需求和高注释成本之间弥合差距。以前的作品主要集中在实例级别的歧视上，以学习低级特征，但忽略了数据之间的半敏化相似性，这可能会预见这些模型学习紧凑的集群表示。在本文中，我们提出了DeNOCORE的邻域聚集（DNA），这是一个自我监督的框架，将数据的系统结构编码到嵌入空间中。特别是，我们检索了查询的k neart邻域，作为其积极的键，以捕获数据之间的语义相似性，然后从邻居那里汇总信息以学习紧凑的群集表示，这可以使细粒类别变得更加差异。但是，检索到的邻居可能会嘈杂，并且包含许多假阳性钥匙，从而可以降低学习式床的质量。为了应对这一挑战，我们提出了三个原则，以解决这些虚假的邻居以更好地表示学习。此外，我们从理论上证明我们框架的学习目标与聚类损失相同，该损失可以捕获数据之间的语义相似性以形成紧凑的细粒簇。在三个基准数据集上进行了广泛的例证表明，我们的方法可以检索更准确的邻居（准确性提高21.31％），并以较大的利润率（平均提高了三个指标的平均9.96％）。我们的代码和数据可在https://github.com/lackel/dna上找到。
de-sate：deno deNosing自我发挥的变压器编码器的锂离子电池健康预后
摘要 - 锂离子（Li-ion）电池的使用已在各个行业中广泛普及，从供电便携式电子设备到推动电动汽车和支持储能系统。锂离子电池可靠性中的一个核心挑战在于准确预测其剩余使用寿命（RUL），这是积极维护和预测分析的关键措施。本研究提出了一种新颖的方法，该方法利用了多个Denoising模块的功能，每个模块都训练了解决电池数据中通常遇到的特定类型的噪声。具体而言，使用Denoising自动编码器和小波Denoiser用于生成编码/分解表示形式，随后通过专用的自我发明变压器编码来处理。在对NASA和CALCE数据进行了广泛的实验之后，在一组不同的噪声模式下估算了一系列健康指标值。这些数据上报告的错误指标与最近文献中报道的最先进的相当或更好。索引术语 - 验证和健康管理，剩余使用寿命，自动编码器，锂离子电池，变压器，电池健康
通过知识增强的denoising扩散迈向城市流量的生成建模
尽管生成的AI在许多领域都取得了成功，但对地理空间数据进行建模仍然没有驱动。Urban Flow是一种典型的地理空间数据，对于从公共安全和交通管理到城市规划的广泛应用至关重要。现有的研究主要集中于城市流量的预测建模，该模型基于历史流数据来预测未来流量，这可能在数据范围内或新计划的地区无法使用。其他一些研究旨在预测区域之间的OD流量，但它们无法模拟城市流动的动态变化。在这项工作中，我们研究了一个新的城市流量产生问题，该问题为没有历史流数据的地区产生动态的城市流动。为了捕获多种因素对城市流量的影响，例如地区特征和城市环境，我们采用扩散模型来为不同条件下的地区生成城市流量。我们首先构建了一个城市知识图（UKG），以建模城市环境和区域之间的关系，基于我们设计一个知识增强的时空分化模型（KSTDIFF），以生成每个地区的城市流量。具体来说，要准确地为具有不同流量的区域生成城市流量，我们设计了一个由体积估计器引导的新型扩散过程，该过程是可学习的，并且针对每个区域进行了自定义。此外，我们提出了一个知识增强的denoising网络，以捕获城市流量的时空依赖性以及城市环境在deNoising过程中的影响。我们的代码在四个现实世界数据集上进行了广泛的实验，这是我们模型比城市流量产生的最先进基线的优越性。进一步的深入研究证明了产生的城市流量数据的实用性以及我们模型对长期流量产生和城市流动预测的能力。