XiaoMi-AI文件搜索系统
World File Search SystemKarras
评估基于扩散的生成模型的设计空间
大多数现有的扩散模型准确性的理论研究，尽管很重要，但假设得分函数已近似于一定的精度，然后使用此先验绑定来控制发电的错误。本文相反，对整个生成过程（即培训和采样）提供了第一个定量的理解。更确切地说，它对梯度下降下的脱氧分子分数进行了非质合分析分析。此外，还提供了方差爆炸模型的精制采样误差分析。这两个结果的组合产生了完整的误差分析，该分析阐明了（但这一次，理论上）如何设计训练和采样过程以进行有效产生。例如，我们的理论意味着偏爱噪声分布和训练中的减肥权重，这些训练与Karras等人中使用的偏爱。[30]。它还提供了对抽样时间和方差时间表的选择的观点：当分数经过良好的训练时，Song等人的设计。[46]更可取，但是当训练较少时，Karras等人的设计。[30]变得更加可取。
在单元格的监督分类中优化特征提取和分类器的组合xhoena polisi duro 1,2*，arban uka 2，
在细胞的监督分类中优化特征提取和分类器的组合组合Xhoena polisi duro 1,2*，Arban UKA 2，Griselda alushllari 2，Albana Ndreu Halili 3，Dimitrios A. Karras A. Karras A. Karras 2，Nihal Engin vrana vrana 4 1 Informatics obs s. noli oblia，“ fan nori”，koria，koria，koria，korica，korica，korica，korka，korka，“ korcua”。 xpolisi@epoka.edu.al（X.P.D.）。2埃波卡大学计算机工程系，阿尔巴尼亚蒂拉纳市； auka@epoka.edu.al（a.u.）galushllari@epoka.edu.al（G.A。）dkarras@epoka.edu.al（d.a.k.）3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。） 4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.） 摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。 可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。 这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。 这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。 本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。 1。 简介3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。）4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.）摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。1。简介分析了三种细胞类型（A549，BALB 3T3和THP1）的Brightfield显微镜图像，以评估Inception V3，Squeeze Net和VGG16架构与分类器与包括KNN，决策树，随机森林，Adaboost，Adaboost，Neural Networks和Natan bayes的分类器配对的影响的影响。使用信息增益降低维度，以提高计算效率和准确性。使用不同参数的Butterworth过滤器用于平衡图像特征和降噪的增强，从而在某些情况下提高了分类性能。实验结果表明，与神经网络配对时，VGG16体系结构可实现通过不同指标衡量的更高分类精度。与未经过滤的数据集相比，使用Butterworth过滤器时的精度提高了，并且各种Butterworth滤波器之间的差异表明了优化这些类型图像的过滤器参数的重要性。关键字：生物材料风险评估，细胞图像分类，分类器，特征提取，个性化医学，监督分类。
高分辨率图像合成的缩放矫正流量变压器
扩散模型从噪声中创建数据（Song等，2020）。他们经过训练，可以将数据的向前路径逆转到随机噪声，因此，可以使用神经网络的近似和泛化特性，可用于生成训练数据中不存在的新数据点，但遵循训练数据的分布（Sohl-Dickstein等人。，2015年； Song＆Eron，2020）。这种生成建模技术已被证明非常有效地对高维，感知数据（例如图像）进行建模（Ho等人，2020）。近年来，扩散模型已成为产生具有令人印象深刻概括能力的自然语言输入的高分辨率图像和视频的事实方法（Saharia等人，2022b; Ramesh等。，2022; Rombach等。，2022; Podell等。，2023; Dai等。，2023; Esser等。，2023; Blattmann等。，2023b; Betker等。，2023; Blattmann等。，2023a; Singer等。，2022）。由于其迭代性质和相关的计算成本以及推理期间的较长采样时间，对这些模型进行更多有效训练的制剂的研究和/或更快的采样速度有所增加（Karras等人，2023;刘等。，2022）。
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。
人工智能作为艺术总监
简介在娱乐领域，创建独特、引人注目且高质量的资产既昂贵又耗时，并且需要来自不同专业领域的越来越多的知识和技能。尽管如此，观众对资产质量的期望却不断增长。为了满足这些需求，大公司通常会聘请大型专家团队；相比之下，小型开发商往往会牺牲上述一些理想的资产属性：在竞争激烈的市场中，这是一个冒险的举动。内容生成方法和技术的最新进展使得其他替代方案能够满足这些需求（程序内容生成、机器学习、深度学习、强化学习等）（Shaker、Togelius 和 Nelson 2016；Khalifa 等人 2020；Summerville 等人 2017；Gravina 等人 2019；Kingma 和 Welling 2013；Karras、Laine 和 Aila 2018）。这些技术可以快速分析和创建高质量的内容（视觉效果、音频、关卡甚至游戏）（Rebouc¸as Serpa 和 Formico Rodrigues 2019；Torrado 等人 2019；Guzdial 和 Riedl 2018；Hoover 等人 2015；Cook、Colton 和 Gow 2017）。《全境封锁 2》（Ubisoft 2019）和《无主之地》系列（Gearbox-Software 2020）等游戏采用了其中一些方法。然而，它们在游戏行业的应用并不广泛。此外，某些类型的内容（如关卡）比其他类型的内容（如视觉效果）更有影响力，而视觉效果正是我感兴趣的内容。我建议
Lip-sync ML：基于机器学习的框架，在最终幻想VII重生中生成Lip-sync动画
基于音素的方法，例如Jali [Edwards等。2016]过去曾提出过。他们需要音频和对话文本作为输入，以获取音素的时间序列数据以匹配音频。根据音素的时间，它们通过演奏与音素相对应的姿势来表达唇部同步动画。在上一个标题中，我们使用基于音素的方法为简单事件场景创建LIP-Sync动画。我们使用了SPPAS [BIGI 2015]的音素对齐方式，并通过音素融合了口腔姿势来播放唇部同步动画。我们将用于这种混合物的口腔姿势的集合视为一种称为LipMap的资产。图2显示了一些存储在唇布中的姿势。它为每个姿势存储骨转化。但是，当对话文本中没有即兴的声音或呼吸声时，这变得有问题。在这种情况下，音素将无法正确放置，导致错误的姿势与声音不匹配。需要进行手动调整以避免此问题。近年来，基于机器学习的方法，例如Nvidia的Omniverse Audio2Face [Karras等。2017]也已提出。我们的方法属于这些。根本差异之一
gan和vaes的比较分析在产生高质量的
指标，例如网络大小，培训时间和生成数据的质量。此外，还研究了潜在的数学，并与gan和vaes的理论基础有关。2。相关的生成模型近年来一直是机器学习领域的重要研究的主题，具有生成的对抗网络（GAN）和变异自动编码器（VAE）是两种最广泛使用的技术。几项研究比较了gan和vaes在不同的数据集和应用程序上的性能，其中一些报道了gan的结果更好（Karras等，2019），而其他人则报告了VAE的更好结果（Bowman等，2019）。该领域最有影响力的论文包括Goodfellow等人。的（2014年）引入了GAN框架，以及Kingma and Welling（2014）的VAE框架的引入，这些框架已在随后的作品中广泛引用。Salimans等。的（2016）论文提出了稳定gan训练的技术，例如为发电机和歧视者使用不同的学习率，而Chen等人。（2016）提出了对GAN框架的修改，该修改允许学习可解释的表示形式。Mescheder等。的（2017）论文提出了一个结合了VAE和gans强度的混合模型，以及Arjovsky等。的（2017）论文提出了对GAN框架的修改，该框架将Wasserstein距离用作目标函数，从而进行了更稳定的训练。Kumar等。 3。 每个Kumar等。3。每个的（2019年）论文提出了对GAN框架的修改，该框架在歧视者中引入了瓶颈，从而提高了性能，而Shen等人则进行了改善。的（2020）论文提出了一种在gan的潜在空间中发现可解释方向的方法，从而可以控制生成的图像的特定属性。方法论3.1数据集我们从MNIST数据集中应用了60,000张培训照片和10,000个手写数字的测试图像。
3D形状合成的生成内侧抽象
各种方法开发了3D综合的深度神经网络架构[Chaudhuri等。2020; Patil等。2020; Shi等。2023; Xu等。2023]。尽管这些方法可以捕获各种宏观的外观，但它们很少明确地模型形状的结构或拓扑结构，而是依靠网络的代表力来生成可见的看起来可见的体素电网[Liu等。2017]，点云[Achlioptas等。2018a]，网格[Dai和Nießner2019]或隐式领域[Chen and Zhang 2019]。与2D图像生成网络相比，由于3D网络被额外维度所带来的其他资源开销所阻碍，因此它们通常很难建模精细的细节和连接性。某些方法模型零件布局[Li等。2017]，但在它们可以产生的结构的复杂性上受到限制。同时，这些先前的3D合成方法很少使艺术家灵活，精确地控制。它们更充当非有条件生成的黑匣子，或者通过图像或3D扫描重建。最新方法基于文本提示引入合成[Lin等。2023; Poole等。2023]，取得了显着的结果，但仅通过及时工程进行全球控制。3D角色艺术家长期以来一直习惯于摆姿势钻机以进行准确的角色配置。然而，这种直接的局部控制和通过直观的抽象的可解释性在一般3D形状合成中的成功限制。背面有特定板条配置的椅子。没有明确结构建模的方法缺乏指定特定所需拓扑的能力，例如另一方面，进行模型零件级结构的方法仅限于由一些粗制的拓扑定义的简单拓扑结构，并且无法对复杂的FRETWORK或装饰进行建模。我们对现实的3D形状生成感兴趣，该生成能够准确地模拟复杂的拓扑和几何细节，并支持对形状结构和几何形状的更可解释的控制。为实现这一目标，我们基于三个关键见解：（1）拓扑细节通常可以在“骨骼抽象”中捕获，就像内侧轴变换获得的那样[Tagliasacacchi等。2016]，即使没有有意义的部分分解，它也可以作为形状的简化结构代理。 （2）这些抽象可以通过生成方法合成[Karras等。2022]，由稀疏点云预测[Nie等。2020; Yin等。2018]，或由艺术家手动创建，而不必是完美的，因为它们是模仿中间表示； （3）每个抽象可以通过另一个训练有素的模型将每个抽象解码为逼真的表面。我们的方法通过推出并组装了以骨骼抽象为条件的局部支持的神经隐式功能来实现表面生成步骤。我们从该领域的最新工作中汲取了证明，该研究将潜在代码与稀疏集中的每个3D点相关联，并从潜在网格中生成局部隐含[Zhang等。2022]。但是，先前工作中稀疏的点支持集往往是任意的，而不是很容易解释。与单个大隐含物相比，这些不合格的混合物定义了整体合成形状，并可以更好地生成细微的几何细节。基于3D神经场和跨注意的后续工作[Zhang等。2023]完全在潜在网格上滴显式空间接地。相比之下，我们的基于骨架的潜在网格更具结构感知，为3D空间中的潜在代码提供了可解释的支持，同时仍然能够代表复杂的，细粒度的拓扑结构。我们总结了我们的贡献如下：
先进 3D 封装特性的新兴技术助力超摩尔时代
参考文献 [1] ASE Group，什么是 2.5D？[视频]，https://ase.aseglobal.com/en/technology/advanced_25dic (2022) 于 2022 年 7 月 16 日在 https://coms.aseglobal.com/marcom/video/25d-ic 时间戳 1:20 访问。 [2] A. Gupta、Z. Tao、D. Radisic、H. Mertens、OV Pedreira、S. Demuynck、J. Bömmels、K. Devriendt、N. Heylen、S. Wang、K. Kenis、L. Teugels、F. Sebaai、C. Lorant、N. Jourdan、B. Chan、S. Subramanian、F. Schleicher、A. Peter、N. Rassoul、Y. Siew、B. Briggs、D. Zhou、E. Rosseel、E. Capogreco、G. Mannaert、A. Sepúlveda、E. Dupuy、K. Vandersmissen、B. Chehab、G. Murdoch、E. Altamirano Sanchez、S. Biesemans、Z. Tőkei、ED Litta 和 N. Horiguchi，CMOS 埋入式电源轨集成扩展到 3 nm 节点以上，SPIE （2022）。 [3] HSP Wong、K. Akarvardar、D. Antoniadis、J. Bokor、C. Hu、T.-J。 King-Liu、S. Mitra、JD Plummer 和 S. Salahuddin，IEEE 论文集，108, 478 (2020)。 [4] CD Hartfield、TM Moore 和 S. Brand，《微电子故障分析：案头参考》，第 7 版，T. Gandhi 编辑，ASM International (2019)。 [5] BAJ Quesson、PLMJ 诉 Neer、MS Tamer、K. Hatakeyama、MH 诉 Es、MCJM 诉 Riel 和 D. Piras，Proc.SPIE (2022)。 [6] A. Gu、M. Terada 和 A. Andreyev，《计算机分层成像与 3D X 射线显微镜在电子故障分析中的简要比较》，Carl Zeiss Microscopy GmbH [白皮书]，(2022 年)。[7] J. Lehtinen、J. Munkberg、J. Hasselgren、S. Laine、T. Karras、M. Aittala 和 T. Aila，《Noise2Noise：无需清洁数据即可学习图像恢复》，《第 35 届国际机器学习会议论文集》，D. Jennifer 和 K. Andreas 编辑，第 2965 页，PMLR，《机器学习研究论文集》（2018 年）。[8] M. Andrew、R. Sanapala、A. Andreyev、H. Bale 和 C. Hartfield，《使用高级算法增强 X 射线显微镜》，《显微镜与分析》，Wiley Analytical Science（2020 年）。 [9] A. Gu、A. Andreyev、M. Terada、B. Zee、S. Mohammad-Zulkifli 和 Y. Yang，载于 ISTFA 2021，第 291 页（2021 年）。[10] IEEE，《2021 年国际设备和系统路线图》，[白皮书]，（2021 年）。[11] E. Sperling，《先进封装中的变化制造麻烦》，载于《半导体工程》，[白皮书]，（2022 年）。[12] T. Rodgers、A. Gu、G. Johnson、M. Terada、V. Viswanathan、M. Phaneuf、J. de Fourestier、E. Ruttan、S. McCracken、S. Costello、AM Robinson、A. Gibson 和 A. Balfour，载于 ISTFA，第 291 页（2022 年）。 [13] B. Tordoff、C. Hartfield、AJ Holwell、S. Hiller、M. Kaestner、S. Kelly、J. Lee、S. Müller、F. Perez-Willard、T. Volkenandt、R. White 和 T. Rodgers，《Applied Microscopy》，50，24 (2020)。[14] M. Kaestner、S. Mueller、T. Gregorich、C. Hartfield、C. Nolen 和 I. Schulmeyer，《CSTIC，中国》（2019 年）。[15] T. Schubert、R. Salzer、A. Albrecht、J. Schaufler 和 T. Bernthaler，《组合光学显微镜 - FIB/SEM 对汽车车身部件的失效分析》，[白皮书]，(2021)。[16] JH Li、QL Li、L. Zhao、JH Zhang、X. Tang、LX Gu、Q. Guo、HX Ma、Q.Zhou, Y. Liu, PY Liu, H. Qiu, G. Li, L. Gu, S. Guo, C.-L. Li, XH Li, FY Wu 和 YX Pan, Geoscience Frontiers, 13 (2022)。[17] V. Viswanathan、L. Jiao 和 C. Hartfield，2021 年 IEEE 第 23 届电子封装技术会议 (EPTC)，第 80 页 (2021)。[18] R. Hollman，泛太平洋微电子研讨会 (2019)。[19] M. Tuček、R. Blando、R. Váňa、L. Hladík 和 JV Oboňa，国际失效分析物理学 (IPFA)，新加坡 (2020)。