XiaoMi-AI文件搜索系统
World File Search SystemDenoising
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。
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。
使用基于变压器的神经网络
摘要：在这项研究中，我们引入了一种新型的基于变压器的神经网络（DTNN）模型，用于预测锂离子电池的剩余使用寿命（RUL）。所提出的DTNN模型在准确性和可靠性方面显着优于传统的机器学习模型和其他深度学习档案。特别是，DTNN达到0.991的R 2值，平均百分比误差（MAPE）为0.632％，绝对RUL误差为3.2，比其他模型（例如随机森林（RF），决策树（DT），多层perceptron（MLP），REN NERTEN（RN），REN NERTIAL NERTIST（RN NERTIRER NERTIAL（RN））（RN）（rn）（RF）（RF）（RN）（RNN）（RNN）（RNN）（RNN NEFT）（RN NORN NERTER），RNN NOVERRENT NERTER，长期（RN）复发单元（GRU），Dual-LSTM和Decransformer。这些结果突出了DTNN模型在为电池RUL提供精确可靠的预测方面的效率，这使其成为各种应用中电池管理系统的有前途的工具。
多模式图像融合的去核扩散模型
多模式图像融合旨在结合不同的模态，以产生保留每种模式的合并特征的融合图像，例如功能亮点和纹理细节。为了利用强大的先验，并应对基于GAN的生成方法的不稳定培训和缺乏解释性等挑战，我们提出了一种基于脱氧扩散概率模型（DDPM）的新型融合算法。在DDPM采样框架下，融合任务是作为条件生成概率提出的，该框架被划分为无条件生成子问题和最大似然子问题。后者以层次的贝叶斯方式进行了模拟，并以潜在变量为单位，并通过期望最大化（EM）算法来推断。通过将推理解决方案集成到扩散采样迭代中，我们的方法可以从源图像中生成具有自然图像生成先验的高质量融合图像，并从源图像中产生交叉模式信息。请注意，我们所需的只是无条件的预训练的生成模型，不需要微调。我们的广泛实验表明，我们的方法产生了有希望的融合会导致红外可见的图像融合和医学图像融合。该代码可在https：// github上找到。com/zhaozixiang1228/mmif-ddfm。
量子图像Denoising：通过Boltzmann机器，QUBO和Quantum退火
我们通过受限的玻尔兹曼机器（RBMS）研究了二进制图像denoing的框架，该机器（RBMS）引入了二次无约束的二进制优化（QUBO）形式（QUBO）形式的降解目标，并且非常适合用于量子退火。通过平衡训练有素的RBM所学的分布与噪音图像派生的罚款术语来实现dieno的目标。假设目标分布已得到很好的近似，我们得出了惩罚参数的统计最佳选择，并进一步提出了经验支持的修改，以使该方法适合该理想主义假设。我们还在其他假设下表明，我们方法获得的denocer映像严格接近无噪声图像的图像比嘈杂的图像更接近无噪声图像。当我们将模型作为图像剥夺模型时，可以将其应用于任何二进制数据。由于QUBO公式非常适合在量子退火器上实现，因此我们在D-Wave Advantage机器上测试模型，并且还通过通过经典的启发式方法近似Qubo溶液来测试对于电流量子退火器太大的数据。
采用去噪扩散概率模型进行三维医学图像合成
去噪扩散概率模型 (DDPM) 最近在图像合成中表现出色，并在各种图像处理任务中得到广泛研究。在这项工作中，我们提出了一种用于生成三维 (3D) 医学图像的 3D-DDPM。与以前的研究不同，据我们所知，这项工作首次尝试研究 DDPM 以实现 3D 医学图像合成。我们的研究检查了脑肿瘤高分辨率磁共振图像 (MRI) 的生成。通过在半公开数据集上的实验对所提出的方法进行了评估，定量和定性测试都显示出有希望的结果。我们的代码将在 https://github.com/DL-Circle/3D-DDPM 上公开提供。关键词：扩散模型、图像合成、磁共振成像 (MRI)。