XiaoMi-AI文件搜索系统
World File Search SystemGuided
引用神，Jie，Wei Sun，Di Liu，Thomas Schaus和Peng Yin。 2021年。“以DNA模块化外延为指导的三维纳米印刷。”自然伴侣
周期性三维模式的抽象光刻缩放对于推进可扩展的纳米制造至关重要。当前最新的四型构图或极端紫外线图的线螺距下降到30 nm左右，可以通过复杂的后制造过程将其进一步改进到20 nm。在此，我们报告了使用三维（3D）DNA纳米结构的使用将线螺距缩小至16.2 nm，比当前最新结果小约50％。我们使用DNA模块化外延方法来制造具有规定的结构参数（俯仰，形状和临界维度）沿设计器组装途径的规定的3D DNA掩模。单次反应离子蚀刻，然后以7 nm的横向分辨率和2 nm的垂直分辨率将DNA模式转移到Si底物。DNA模块化表现的光刻相比，在现场效应晶体管中，高级技术节点的预期值的音调更小，并为现有的光刻工具提供了用于高级3D纳米制造的现有光刻工具的潜在补充。
高质量的视觉引导的声音与不同类别的分离
摘要。我们提出了戴维斯（Davis），这是一个基于i fifusion的udiovi sual separa the the trapion框架，该框架通过生成学习解决了视听声音源分离任务。现有方法通常将声音隔离作为基于面具的回归问题，从而取得了重大进展。但是，他们在捕获高质量分离声音与各种表情所需的复杂数据分布时面临局限性。相比之下，戴维斯利用生成扩散模型和分离U-net直接从高斯噪声中综合了分离的声音，并在音频混合物和视觉信息上进行条件。具有其生成性目标，戴维斯更适合实现各种声音猫的高质量分离的目标。我们将戴维斯与AVE和音乐数据集上现有的最新歧视性音频分离方法进行了比较，结果表明，戴维斯在分离质量方面胜过其他方法，这证明了我们可以解决视听源分离任务的框架的优势。我们的项目页面可在此处提供：https：//wikichao.github.io/data/projects/davis/。
美林指导投资计划
我投资的金额与我账户的核心策略投资组合管理方式有何关系？无论您投资 1,000 美元还是 100,000 美元，您的策略都将涉及首席投资办公室 (CIO) 的相同专业管理和专业知识。在 1,000 美元时，注册账户使用策略的战略资产配置模型投资组合进行管理，该投资组合通常投资于一组交易所交易基金 (ETF)，以提供多样化的市场敞口。如果注册账户中的资产通过升值或持续供款等方式增长，我们将自行决定将您的账户转换为策略的战术资产配置模型投资组合，该投资组合专为拥有更多资产的账户而设计。策略的战术资产配置模型投资组合通常使用更广泛的 ETF，并通过在资产类别内部和之间进行更精确的调整，为子资产类别提供更具体的敞口。这种转变通常在我们确定账户中有足够的资产来支持投资更广泛的 ETF 或共同基金（目前约为 5,000 美元）时发生。同样，如果账户的市值低于 5,000 美元，我们将根据投资指南自行决定重新平衡账户，使其与战略资产配置模型投资组合保持一致。我们将自行决定在策略的模型投资组合之间进行重新平衡。一般而言，这些转变的确切阈值可能会随时间而变化，并且这种转变的时间可能会因多种因素而异，例如市场走势、投资组合中 ETF 或共同基金的单股市场价值或待定的供款和提款。
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
推进和评估文本指导的图像inpainting
文本引导的图像编辑可以在支持创意应用程序方面具有变革性的影响。关键挑战是生成忠于输入文本提示的编辑，同时与输入图像一致。我们提出了Imagen Edor，这是一种构建的级联扩散模型，通过对文本引导的图像插入的微调[36]构建。Imagen ed- Itor的编辑忠实于文本提示，这是通过使用对象探测器在培训期间提出涂料面罩来提出的。此外，成像编辑器在输入图像中通过对原始高分辨率图像进行调节管道来详细信息。为了证明定性和定量评估，我们介绍了EditBench，这是用于文本指导图像插入的系统基准。EditBench评估在Natu-ral和生成的图像上探索对象，属性和场景的图像。Through extensive human evaluation on EditBench, we find that object-masking during training leads to across- the-board improvements in text-image alignment – such that Imagen Editor is preferred over DALL-E 2 [ 31 ] and Stable Diffusion [ 33 ] – and, as a cohort, these models are better at object-rendering than text-rendering, and handle mate- rial/color/size attributes better than count/shape attributes.
视觉引导手指运动时的大脑激活
通过视觉引导手部动作进行的计算机交互通常采用抽象的基于光标的反馈或不同程度真实感的虚拟手 (VH) 表示。目前尚不清楚在虚拟现实环境中更改这种视觉反馈的效果。在这项研究中，19 名健康的右撇子成年人使用四种不同类型的视觉反馈执行食指运动（“动作”）和观察运动（“观察”）：简单的圆形光标 (CU)、指示手指关节位置的点光 (PL) 图案、阴影卡通手 (SH) 和逼真的 VH。使用数据手套记录手指运动，并以光学方式记录眼动追踪。我们使用功能性磁共振成像 (fMRI) 测量大脑活动。与基线相比，动作和观察条件均显示枕颞皮质中的 fMRI 信号响应更强。动作条件还会引起运动、体感、顶叶和小脑区域的双侧激活增加。对于这两种情况，带有移动手指的手部反馈（SH、VH）比 CU 或 PL 反馈导致更高的激活，特别是在早期视觉区域和枕颞皮质中。我们的结果表明，与视觉不完整的手部和抽象反馈相比，在视觉引导的手指运动过程中，皮质区域网络的募集更强。这些信息可能对研究和应用或训练相关范例中涉及人体部位的视觉引导任务的设计产生影响。
反馈引导的自主驾驶-CVF Open Access
虽然行为克隆最近已成为自主驾驶的非常成功的范式，但Humans很少学会通过单独的模仿或行为克隆来执行复杂的任务，例如驱动或行为。相比之下，人类的学习通常涉及在整个交互式学习过程中的其他详细指导，即通常通过语言的反馈提供详细的信息，以详细信息，以进行审判的哪一部分进行，不正确或次要地进行。以这种观察的启发，我们引入了一个有效的基于反馈的框架，用于改善基于行为克隆的传感驱动剂培训。我们的关键见解是利用大语模型（LLM）的重新进步，以提供有关驾驶预测失败背后的理由的纠正良好的反馈。更重要的是，我们引入的网络体系结构是有效的，是第一个基于LLM的驾驶模型的第一个感觉运动端到端培训和评估。最终的代理在Nuscenes上的开环评估中实现了最新的性能，在准确性和碰撞率上的表现优于先前的最新时间超过8.1％和57.1％。在卡拉（Carla）中，我们的基于相机的代理在以前的基于激光雷达的AP摄入率上提高了16.6％的驾驶得分。
MADTP：多模式对准引导的动态令牌修剪，以加速视力 - 语言变压器
视觉 - 语言变压器（VLT）最近显示出巨大的成功，但同时伴随着大量的计算成本，其中主要原因可以归因于大量的视觉和语言令牌。存在用于压缩VLTS的令牌修剪研究主要遵循基于单模式的方案，但忽略了对齐不同模态来指导令牌修剪过程的关键作用，从而导致重要的代币在另一个模态分支中错误地修剪一个模态。同时，现有的VLT修剪作品也缺乏基于不同输入样本动态压缩每一层的灵活性。为此，我们提出了一个名为M Ultodal的新颖框架，用于加速变化VLT的木质制成d ynamic t ynamic t oken p Runing（MADTP）。具体来说，我们首先引入了精心设计的多模式对齐指导（MAG）模块，该模块可以使相同语义概念的特征与不同的模式相结合，以确保修剪的代币对所有模式都不太重要。我们进一步设计了一种新型的dy-namic令牌修剪（DTP）模块，该模块可以根据不同的输入实例自适应地调节每个层中的令牌压缩比。对各种基准测试的广泛实验表明，MADTP可以显着确定多种模型的计算复杂性，同时保留竞争性能。值得注意的是，当将MADTP应用于NLVR2数据集中的BLIP模型时，可以将GFLOPS降低80％，而性能降低少于4％。该代码可在https://github.com/double125/madtp上找到。
真实srgd：使用无分类器引导扩散
摘要。现实世界图像超分辨率（RISR）旨在从退化的低分辨率（LR）输入中重新结构高分辨率（HR）图像，以应对诸如模糊，噪声和压缩工件之类的挑战。与传统的超分辨率（SR）不同，该方法通过合成的下采样来典型地生成LR图像，而RISR则是现实世界中降级的复杂性。为了有效地应对RISR的复杂挑战，我们适应了无分类器指导（CFG），这是一种最初用于多级图像生成的技术。我们提出的方法，真实的SRGD（带有无分类器引导扩散的现实世界图像超分辨率），将RISR挑战分解为三个不同的子任务：盲图恢复（BIR），常规SR和RISR本身。然后，我们训练针对这些子任务量身定制的类别条件SR扩散模型，并使用CFG来增强现实世界中的超分辨率效果。我们的经验结果表明，实际SRGD超过了定量指标和定性评估中的现有最新方法，如用户研究所证明的那样。此外，我们的方法在