XiaoMi-AI文件搜索系统
World File Search SystemInvers
逆类型日食晶体的发射颜色调整
摘要：由于传感器材料和光学波导等实用应用，有机发光的固体材料引起了很多关注。我们以前已经报道过，逆类型日志甲观在晶体中表现出强大的发射，而不会引起聚集引起的淬火。但是，排放颜色仅限于绿色。为了调整发射颜色，在这项工作中，我们新合成具有缩短的π-共轭长度或极性取代基的逆类型日志甲乙烯，并研究了其在溶液和晶体中的荧光性能。晶体根据分子结构表现出各种发射颜色，从蓝色，绿色，黄色到红色。除了缩短的π连接长度和分子内电荷转移特征外，还通过分子间相互作用（例如CH-π相互作用）诱导了晶体的发射颜色变化。
多模式面部图像生成的扩散驱动的GAN倒置
摘要我们提出了一种新的多模式面部图像生成方法，该方法将文本提示和视觉输入（例如语义掩码或涂鸦图）转换为照片真实的面部图像。为此，我们通过使用DM中的多模式特征在预训练的GAN的潜在空间中使用多模式特征来结合一般的对抗网络（GAN）和扩散模型（DMS）的优势。我们提供了一个简单的映射和一个样式调制网络，可将两个模型链接起来，并在特征地图和注意力图中将有意义的表示形式转换为潜在代码。使用gan inversion，估计的潜在代码可用于生成2D或3D感知的面部图像。我们进一步提出了一种多步训练策略，该策略将文本和结构代表反映到生成的图像中。我们提出的网络生成了现实的2D，多视图和风格化的面部图像，这些图像与输入很好。我们通过使用预训练的2D和3D GAN来验证我们的方法，我们的结果表现优于现有方法。我们的项目页面可在https://github.com/1211SH/diffusion-driven_gan-inversion/。
通过反强化学习的学徒学习
我们考虑在马尔可夫决策过程中学习，在马尔可夫决策过程中，我们没有明确地赋予重新功能，但是我们可以在这里遵守专家，以展示我们想学习的任务。此设置在应用程序（例如驾驶任务）中很有用，很难写下明确的奖励功能，以准确地指定应如何交易不同的desiderata。我们认为专家试图最大程度地发挥奖励功能，该奖励功能可作为已知功能的线性组合，并给出了一种学习专家所展示的任务的算法。我们的al-gorithm基于使用“逆增强学习”来试图恢复未知的奖励功能。我们表明，我们的算法终止了少数迭代，即使我们可能永远无法恢复专家的奖励功能，算法的策略也将达到与专家接近的绩效，在此，在此，相对于Expt exptt的未知奖励函数，在这里可以衡量。
量子退火计算在地震反演中的应用
地震地球物理学在很大程度上依赖于地下建模，而地下建模基于对现场收集数据的数值分析。在生成一致的地下模型之前，对典型地震实验中产生的大量数据进行计算处理也需要同样大量的时间。电磁油藏数据，如 CSEM（受控源电磁）、岩石物理技术，如多井的电阻率和磁共振，以及工程优化问题，如油藏通量模拟器、井场设计和石油产量最大化，也需要强大的计算设备进行分析。另一方面，在过去十年中，量子计算机的发展取得了很大进展：机器利用量子力学定律比传统计算机更快地解决困难的计算问题。这种进步的一个具体例子就是所谓的量子霸权，最近已经使用专用量子计算机进行了演示 [1-3]。地球科学领域和相关行业（如碳氢化合物行业）有望从量子计算带来的进步中获益。目前，不同的量子技术和计算模型正在不断发展。IBM、谷歌和英特尔等巨头公司正在开发基于超导技术的量子计算机 [4]。其他公司也在投入大量精力构建基于约瑟夫森结的功能齐全的量子计算机，比如北美的 Rigetti，而美国的 IonQ 和奥地利的 AQT 则致力于开发基于捕获离子的计算机 [5]。加拿大公司 D-Wave 是量子退火计算模型的领先者 [6]，该公司已经开始交易量子机器，加拿大的 Xanadu 也在提供对其光子量子计算机的云端访问 [7,8]。
提示文本到图像扩散模型的迅速反转
提供给文本对图像差异模型的提示的质量决定了生成的内容对用户意图的忠诚程度，通常需要“及时工程”。要通过及时的工程来利用目标图像的视觉概念，当前方法在很大程度上通过优化然后将它们映射到伪tokens来依赖嵌入反演。然而，使用这种高维矢量表示是具有挑战性的，因为它们缺乏语义和可解释性，并且只允许使用它们时模拟矢量操作。相反，这项工作着重于反转扩散模型，以直接获得可靠的语言提示。这样做的挑战在于，由此产生的优化问题从根本上是离散的，提示的空间呈较大。这使得使用标准优化技术，例如随机梯度下降，困难。为此，我们利用延迟的投影方案来访问代表模型中词汇空间的提示。此外，我们利用了扩散过程的时间段与图像中不同级别的细节相差的发现。后来的，嘈杂的，前传扩散过程的时间段对应于语义信息，因此，此范围内的迅速反转提供了代表图像语义的令牌。我们表明，我们的方法可以确定目标图像的语义可解释和有意义的提示，该提示可用于合成具有相似内容的多样化图像。我们说明了优化提示在进化图像生成和概念删除中的应用。
intrinsicavatar：通过显式射线跟踪
我们提出了intincavatar，这是一种新的方法，是一种从单眼视频中照亮的，包括几何形状，反照率，材料和环境的内在特性。基于人类的神经渲染的最新进展已使来自单眼视频的穿着人类的高质量几何形状和外观重建。然而，这些方法烘烤了内在特性，例如反照率，材料和环境照明成一个单一的纠缠神经表示。另一方面，只有少数作品可以解决估计单眼视频中穿衣人类的几何形状和分离的外观特性的问题。，由于通过学习的MLP对次要阴影效应的近似值，他们通常会获得有限的质量和分离。在这项工作中，我们建议通过蒙特卡罗射线跟踪明确地对次级阴影效应进行建模。我们将衣服的人体的渲染过程建模为体积散射过程，并将射线跟踪与人体的作用相结合。我们的方法可以从单眼视频中恢复服装人类的高质量地理，反照率，材料和照明特性，而无需使用地面真相材料进行监督的预训练。fur-hoverore，因为我们明确地对体积散射过程和射线追踪进行了建模，所以我们的模型自然而然地形成了一般 -
使用迭代完善的波场重建反演的定量光声断层扫描：仿真研究
摘要 - 光声tomog-raphy的最终目标是准确绘制整个成像组织中的吸收系数。大多数研究都假定生物组织的声学特性，例如声音（SOS）和声学衰减，或者在整个组织中都是均匀的。这些假设降低了衍生吸收系数估计的准确性（DEAC）。我们的定量光声断层扫描（QPAT）方法使用迭代完善的波场重建内部（IR-WRI）估算DEAC，该局部结合了乘数的交替方向方法，以解决与全波逆算法相关的循环跳过挑战。我们的方法弥补了SOS不均匀性，衰变和声学衰减。我们在新生儿头数字幻影上评估了方法的性能。
通过使用相对位置信息在玩家之间的相对位置信息
摘要：加强学习的最新进步使得培养足球代理人，以模仿人类球员的行为。但是，现有方法成功复制现实的玩家行为仍然具有挑战性。实际上，代理商表现出诸如在球周围聚集或过早射击之类的行为。此问题的一个原因在于奖励功能总是为某些行动分配巨大的奖励，例如得分目标，无论情况如何，这种情况都会使代理人偏向高奖励行动。在这项研究中，我们将相对位置奖励和拍摄的位置重量纳入用于增强学习的奖励功能中。相对位置奖励，源自球员，球和目标的位置，是使用逆强化学习在真正的足球游戏数据集中估算的。拍摄的位置重量类似地基于这些游戏中观察到的实际射击位置。通过在真正的足球游戏中获得的数据集中进行实验，我们证明了相对位置奖励有助于使代理商的行为与人类玩家的行为更加紧密地保持一致。