XiaoMi-AI文件搜索系统
World File Search SystemInversion
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。
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]。
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/。
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。
利用天问一号H-ENA观测反演火星上游太阳风参数
发展了一种通过测量近火星空间中氢能中性原子（H-ENA）反演太阳风参数的算法。假设H-ENA是由太阳风中的质子与外大气层中性子发生交换碰撞而产生的，在磁流体力学（MHD）模拟太阳风与火星相互作用的基础上，建立了H-ENA模型，研究了H-ENA的特性。结果表明，太阳风H-ENA与太阳风一样，是高速、低温的粒子束，而磁鞘H-ENA速度较慢、温度较高，能量分布较广。假设太阳风H-ENA通量服从麦克斯韦速度分布，高斯函数最适合拟合太阳风H-ENA通量，由此可以反演太阳风的速度、密度和温度。进一步基于H-ENA模型模拟的ENA通量研究表明，反演太阳风参数的精度与ENA探测器的角度和能量分辨率有关。最后，利用天问一号任务的H-ENA观测数据验证了该算法。反演后的上游太阳风速度与原位等离子体测量结果接近。我们的结果表明，从H-ENA观测数据反演的太阳风参数可以作为火星空间环境研究数据集的重要补充，因为火星空间环境研究缺乏对上游SW条件的长期连续监测。
通过航空磁数据倒置划定南非Vredefort火山口内的热区和座位
1 ，吉林大学，长春130061，中国2个矿产资源综合信息研究所，吉林大学，吉林大学，吉林130061，330061，中国38100年现代语言大学法萨拉巴德校园，38100年，帕基斯坦4. Institute of Geology, University of Azad Jammu and Kashmir, Muzaffarabad, Pakistan 7 School of Mathematics, Jilin University, China 8 Software Engineering, Government College University Faisalabad, 38000, Pakistan 9 Department of Physics, Ahmadu Bello University Zaria, Nigeria Corresponding E-mail: belloya@afit.edu.ng Received 20-12-2024 Accepted for出版物22-01-2025发布于24-01-2025，吉林大学，长春130061，中国2个矿产资源综合信息研究所，吉林大学，吉林大学，吉林130061，330061，中国38100年现代语言大学法萨拉巴德校园，38100年，帕基斯坦4. Institute of Geology, University of Azad Jammu and Kashmir, Muzaffarabad, Pakistan 7 School of Mathematics, Jilin University, China 8 Software Engineering, Government College University Faisalabad, 38000, Pakistan 9 Department of Physics, Ahmadu Bello University Zaria, Nigeria Corresponding E-mail: belloya@afit.edu.ng Received 20-12-2024 Accepted for出版物22-01-2025发布于24-01-2025，吉林大学，长春130061，中国2个矿产资源综合信息研究所，吉林大学，吉林大学，吉林130061，330061，中国38100年现代语言大学法萨拉巴德校园，38100年，帕基斯坦4. Institute of Geology, University of Azad Jammu and Kashmir, Muzaffarabad, Pakistan 7 School of Mathematics, Jilin University, China 8 Software Engineering, Government College University Faisalabad, 38000, Pakistan 9 Department of Physics, Ahmadu Bello University Zaria, Nigeria Corresponding E-mail: belloya@afit.edu.ng Received 20-12-2024 Accepted for出版物22-01-2025发布于24-01-2025，吉林大学，长春130061，中国2个矿产资源综合信息研究所，吉林大学，吉林大学，吉林130061，330061，中国38100年现代语言大学法萨拉巴德校园，38100年，帕基斯坦4. Institute of Geology, University of Azad Jammu and Kashmir, Muzaffarabad, Pakistan 7 School of Mathematics, Jilin University, China 8 Software Engineering, Government College University Faisalabad, 38000, Pakistan 9 Department of Physics, Ahmadu Bello University Zaria, Nigeria Corresponding E-mail: belloya@afit.edu.ng Received 20-12-2024 Accepted for出版物22-01-2025发布于24-01-2025，吉林大学，长春130061，中国2个矿产资源综合信息研究所，吉林大学，吉林大学，吉林130061，330061，中国38100年现代语言大学法萨拉巴德校园，38100年，帕基斯坦4. Institute of Geology, University of Azad Jammu and Kashmir, Muzaffarabad, Pakistan 7 School of Mathematics, Jilin University, China 8 Software Engineering, Government College University Faisalabad, 38000, Pakistan 9 Department of Physics, Ahmadu Bello University Zaria, Nigeria Corresponding E-mail: belloya@afit.edu.ng Received 20-12-2024 Accepted for出版物22-01-2025发布于24-01-2025
编程平行密集的矩阵因子化和新产生numa体系结构的反转
我们提出了一种方法，以解决从新一代共享内存NUMA架构的出现中得出的可编程性问题。为此，我们采用了密集的矩阵因子化和矩阵反转（DMFI）作为用例，并且我们针对两种现代体系结构（AMD Rome和Huawei Kunpeng 920），它们表现出了可配置的Numa拓扑。我们的方法论通过为DMFI提出多域的实现以及混合任务和循环级并行化来追求各个不同的NUMA配置的性能可移植性，以配置多线程执行，以在核心到达核心绑定，从而利用核心固定型绑定，并以较小的代码进行限制。此外，我们还介绍了DMFI多域实现的概括，该实现几乎支持当前和未来体系结构中的任何NUMA拓扑。我们对三个代表性密集的线性代数操作的两个目标架构进行的实验验证了该提案，揭示了有关调整代码及其执行以改善数据访问区域的必要性的见解，并报告跨架构以及与固定的数字竞争的构建和内部互动竞争的群体相关联，以实现的范围，以实现距离，以实现范围，以实现距离，以实施欧元，以实现距离，以实施欧元，以实施欧元，以实现距离，以实施欧元，以实现距离，以实现距离，并将其竞争性地融合到脉络上，并涉及群体的范围，以实现距离，并将其与范围内的脉络相关联。 编程。
重新映射：通过网络倒置和检索功能映射进行自适应运动预测的神经模型重新编程
由肢体损失，衰老，中风和其他运动缺陷造成的移动性障碍是全球数百万个人面临的重大挑战。先进的辅助技术，例如假肢和矫形器，有可能大大改善此类个人的生活质量。这些技术设计中的关键组成部分是对肢体受损的参考联合运动的准确预测，这受到这些患者可用的关节运动数据的稀缺性的阻碍。为了解决这个问题，我们提出了一种新型的模型，重新利用了深度学习的重新编程属性，结合了网络反转原理和检索绘制的映射。我们的方法适应了最初为健全的个体设计的模型，以预测肢体受损患者的关节运动，而不会改变模型参数。我们通过广泛的经验研究对低于膝盖挑战的患者的数据进行了广泛的经验研究，证明了重新映射的功效，从而证明了对传统转移学习和微调方法的显着改善。这些发现对截肢，中风或衰老的患者的辅助技术和流动性具有显着影响。
通过快速扩散反演
基于预训练扩散模型的图像恢复（IR）方法已显示出最先进的性能。但是，它们具有两个基本局限性：1）他们经常假设降解操作员是完全知道的，并且2）它们改变了扩散抽样过程，这可能会导致不在数据歧管上的恢复图像。为了解决这些问题，我们通过快速扩散反转（Bird）提出了盲图恢复（Bird），一种盲IR方法，该方法共同优化了降级模型参数和恢复的图像。为了确保恢复的图像位于数据歧管上，我们在预训练的扩散模型上提出了一种新颖的采样技术。我们方法中的一个关键想法不是修改反向采样，即。e。，一旦取样初始噪声，就不要改变所有中间潜在的潜在。这最终等效于将IR任务作为输入噪声空间中的优化问题。此外，为了减轻与完全展开的扩散模型相关的计算成本，我们利用这些模型的固有功能使用大的时间步骤在正向扩散过程中跳过。我们在几个图像恢复任务上实验验证鸟类，并表明它达到了最先进的表现。项目页面：https：//hamadichihaoui.github.io/bird。
增强炮弹模型在田间反演和机器学习的指导下
本报告调查了使用数据驱动方法的使用，即现场倒置和机器学习（FIML），以改善常规的湍流模型，例如Spalart-Allmaras模型和Menter SST K-ω模型。使用有限的训练数据使用基于ML的方法来产生可推广到大量流量配置的校正的关键方面之一是设计适当的“功能”（输入ML模型）。基于FIML方法的指导的模型以分析形式介绍。在本报告的末尾列出了本研究中已经进行了实验的其他功能列表。尽管这些校正中没有使用这些，但它们被包括在当前工作中使用的完整过程。