XiaoMi-AI文件搜索系统
World File Search SystemFFU
iffusion r Enderer：视频扩散模型
理解和建模照明效应是计算机视觉和图形中的基本任务。经典的基于物理的渲染（PBR）准确模拟了光线传输，但依赖于精确的场景表示形式 - 说明3D几何，高质量的材料和照明条件 - 在现实世界中通常是不切实际的。因此，我们介绍了一种iffusion r Enderer，这是一种神经方法，该神经方法解决了整体框架内的反向和正向渲染的双重问题。杠杆功能强大的视频扩散模型先验，逆装置模型准确地估算了现实世界视频中的G-buffers，为图像编辑任务提供了一个接口，并为渲染模型提供了培训数据。相反，我们的重新设计模型从G-buffers产生了无明确的光传输模拟的影像图像。具体来说，我们首先训练一个视频扩散模型，用于构成综合数据的反向渲染，该模型可以很好地推广到现实世界的视频，并使我们能够自动化不同标签的真实世界视频。我们
结构化扩散模型与...
我们提出了一类结构化扩散模型，其中将先前的分布选择作为高斯人的混合物，而不是标准的高斯分布。可以选择特定的混合高斯分布，以合并数据的某些结构化信息。我们制定了一个简单的实施训练程序，可以平稳地使用混合高斯作为先验。理论来量化我们提出的模型的好处，该模型与经典扩散模型相比。进行合成，图像和操作数据的数值实验以显示我们模型的比较优势。我们的方法证明对错误的特定方法是可靠的，特别是需要实时训练资源有限或更快培训的诉讼情况。
ldmol：文本到 - 分子扩散模型
以扩散模型的出现作为生成模型的前线，许多研究人员提出了通过条件扩散模型的分子产生技术。但是，分子的不可避免的离散性使扩散模型很难将原始数据与自然语言等高度复杂的条件连接起来。为了解决这个问题，我们提出了一种新型潜在扩散模型，称为文本条件分子的生成。ldmol构建了一种分子自动编码器，该自动编码器可产生可学习且结构上的特征空间，并具有自然语言条件的潜在扩散模型。特别是认识到多个微笑符号可以代表相同的分子，我们采用对比度学习策略来提取特征空间，以了解分子结构的独特特征。ldmol优于文本到整体生成基准的现有基准，建议扩散模型可以在文本数据生成中胜过自回旋模型，而潜在的潜在域则更好。此外，我们表明LDMOL可以应用于下游任务，例如分子到文本检索和文本引导的分子编辑，表明其作为扩散模型的多功能性。
EDM2+：探索有效的扩散模型...
扩散模型的训练和采样已在先前的艺术中详尽阐明（Karras等，2022; 2024b）。取而代之的是，底层网络架构设计保持在摇摇欲坠的经验基础上。此外，根据最新规模定律的趋势，大规模模型涉足生成视觉任务。但是，运行如此大的扩散模型会造成巨大的综合负担，从而使其具有优化的计算并有效分配资源。为了弥合这些空白，我们浏览了基于u-NET的效率扩散模型的设计景观，这是由声望的EDM2引起的。我们的勘探路线沿两个关键轴组织，层放置和模块插入。我们系统地研究基本设计选择，并发现了一些有趣的见解，以提高功效和效率。这些发现在我们的重新设计的架构EDM2+中，这些发现将基线EDM2的计算复杂性降低了2倍，而不会损害生成质量。广泛的实验和比较分析突出了我们提出的网络体系结构的有效性，该结构在Hallmark Imagenet基准上实现了最先进的FID。代码将在接受后发布。
exvideo：扩展视频扩散模型
最近，视频合成的进步引起了极大的关注。视频综合模型（例如AnimateIff和稳定的视频扩散）已经证明了扩散模型在创建动态视觉内容时的实际适用性。Sora的出现进一步介绍了视频生成技术的潜力。尽管有进步，但视频长度的扩展仍受到计算资源的限制。大多数现有的视频综合模型仅限于生成简短的视频剪辑。在本文中，我们提出了一种新型的视频合成模型的调节后方法，称为exvideo。这种方法旨在增强当前视频合成模型的能力，使它们能够在延长的时间持续时间内生成内容，同时产生较低的培训支出。尤其是我们分别设计了跨常见的时间模型体系结构的扩展策略，包括3D综合，时间关注和位置嵌入。为了评估我们提出的调整后方法的功效，我们训练了EXSVD，这是一种基于稳定的视频扩散模型的扩展模型。我们的方法增强了该模型最多生成5倍帧数的能力，仅需在包含40k视频的数据集上进行1.5k GPU小时的培训。重要的是，视频长度的实质性增加不会损害模型的先天概括功能，并且该模型在生成各种样式和决议的视频方面具有优势。我们将公开发布源代码和增强模型1。
博士高级课程 - 神经病理学和创新治疗干预措施的进步2-16 DE DE 2024 ECTS：6 FFULISBOA的HYBRID课程
神经药物的重点是鉴定神经系统疾病中的治疗靶标，然后将这些发现转化为药物和治疗发育。神经系统疾病对我们的社会占健康成本的影响至关重要，而在中枢神经系统（CNS）疾病中，药物开发是癌症之后制药业的第二个投资优先事项。因此，神经药物的进步是旨在针对发现，药物设计，医学开发和使用的学生的关键领域。该课程旨在提高博士生在发现潜在的中枢神经系统疾病目标方面的知识，从而导致新的神经活性药物的发展，并在受限的安全性和功效要求下改善将这些药物运送到大脑的方法。
ONLS：扩散中的最佳噪声水平搜索...
理想的反事实估计应达到精确的干预和身份保存的平衡。最近，分类器引导的扩散模型被证明可有效产生现实和最小的反事实。但是，完美的相互作用通常具有挑战性，需要乏味的微调。在这项工作中，我们提出了最佳的噪声水平搜索（ONLS），该搜索利用指导从指导中自动捕获余额，而无需任何微调程序或额外的网络设计。我们证明我们的ONL可以准确地识别反事实估计的最佳噪声水平。最佳样本结果进一步有助于整个数据集的整体性能提高。预处理，策划数据集和代码已在我们的项目页面上发布：https：//github.com/imnotprepared/onls。
CHERI 采用和传播研究
人们对 CHERI 的认识主要受到 DSbD 计划和其他政府资助的竞赛的推动。这有助于建立一个由有使用 CHERI 经验的学者和业内人士组成的生态系统。这个核心生态系统主要位于英国，包括 136 家公司和估计 875 人，不包括政府内部人员。这一人数估计基于 2022 年对 DSbD 参与者的调查结果，该调查显示每家公司约有 7 人参与。1 这可能是目前了解并积极参与 CHERI 的人的低端估计，因为我们知道一些在 DSbD 生态系统中非常活跃的公司有超过 7 人参与他们的 DSbD 项目团队。
c-Shipgen：aconditional引导扩散...
船舶设计是一个复杂的设计过程，可能需要一组海军建筑师团队来完成。改善船舶设计过程可以节省大量成本，同时仍为客户提供高质量的设计。船体设计的新技术是扩散模型，一种生成人工智能。船体设计扩散模型的先前工作创建了高质量的船体，其阻力减少和较大的位移量。但是，工作无法产生符合特定设计约束的船体。本文提出了一个条件扩散模型，该模型在给定特定约束的情况下生成船体设计，例如船体所需的主维度。此外，此扩散模型利用总电阻回归模型的梯度来创建低电阻设计。五个设计测试用例将扩散模型与设计优化算法进行了比较，以创建低电阻的船体设计。在所有五个测试用例中，扩散模型均显示出具有总电阻小于优化船体的多种设计，其电阻降低了25％以上。扩散模型还生成了这些设计，而无需重新培训。这项工作可以通过创建以数据驱动的方法来满足用户需求的高质量船体来大大减少船舶的设计周期时间。