XiaoMi-AI文件搜索系统
World File Search SystemMesh
讲座（16）网格嵌套和网状细化
粗网格预测提供了巢界面上的边界条件，以便在细网格预测中使用。双向嵌套网格的优势包括在细网格上解析的细尺度工艺可以影响粗网格上的较大尺度流。这对于数值天气预测很重要，因为大气中的小规模过程极大地影响了大气中的大规模过程。由于与精细分辨率网格相比，粗分辨率网格上的预测所花费的时间和内存更少，因此模型的最外界可以远离预测区域，而细分辨率域仍然足够小，足以实时运行。移动巢也很常见，在当前模型中，较高的分辨率巢可以通过感兴趣的现象（例如飓风）移动。
Jason M. Eisner-约翰·霍普金斯计算机科学可鲁棒分析的神经纹理可变形网格 -
人类的视野比在分布外情景下表现出的鲁棒性更高。它已经通过逐个合成的分析来猜想这种鲁棒性益处。我们的论文通过通过渲染和能力算法在神经特征上进行近似分析，以一致的方式制定三重视觉任务。在这项工作中，我们引入了神经丝线可变形的网格（NTDM），该网格涉及具有变形几何形状的OBJECT模型，该模型允许对摄像机参数和对象几何形状进行优化。可变形的网格被参数化为神经场，并被全表面神经纹理图所覆盖，该图被训练以具有空间歧视性。在推断过程中，我们使用可区分渲染来最大程度地重建目标特征映射，从而提取测试图像的特征图，然后对模型的3D姿势和形状参数进行优化。我们表明，在现实世界图像，甚至在挑战分布外情景（例如闭塞和主要转变）上进行评估时，我们的分析比传统的神经网络更强大。在经常性能测试测试时，我们的算法与标准算法具有竞争力。
HHMR：通过增强图扩散模型的多模式可控性
近年来见证了一代和重建范式深入融合的趋势。在本文中，我们扩展了可控制的生成模块的能力，以实现更全面的手网恢复任务：在单个框架中，手工网格的生成，内部网状，重建，重建和拟合，我们将其命名为H olistic H和MESH R Ecovery（HHMR）。我们的主要观察结果是，具有强大多模式可偿还性的单个生成模型可以实现不同类型的手网恢复任务，并且在这样的框架中，实现不同的任务只需要给出不同的信号作为条件。为了实现这一目标，我们提出了基于图形卷积和整体手工网状恢复的注意力卷积和注意力机制的多合一扩散框架。为了实现强大的控制能力，同时确保多模式控制信号的解耦，我们将不同的模态映射到共享特征空间并应用跨尺度随机
海报：Mazu：服务网格的零信任体系结构...
摘要 - Microservices是一种主要的云计算体系结构，因为它们可以作为松散耦合服务的集合构建应用程序。为了对所得分布式系统提供更大的控制，微服务通常使用称为“服务网格”的覆盖代理网络。服务网格的关键优势是它们通过使用相互认证的TLS加密微服务流量来实现零信任网络。但是，服务网格控制平面（尤其是其本地证书授权）的信任点是一个关键点。在这张海报中，我们介绍了M Azu，该系统旨在通过用无私人的校长替换其认证权限来消除对服务网格控制平面的信任。m azu利用了基于注册的加密的最新进展，并与广泛使用的服务网格无缝集成。我们介绍我们的初步实施，并强调未来的工作。
致 Kenneth Meshigaud，主席 关于 Palisades 重启 EA
在 2024 年 7 月 1 日的一封信函中（全机构文件访问和管理系统 (ADAMS) 接入号 ML24183A149），美国核管理委员会 (NRC) 通知您的办公室，它正在对 Holtec Decommissioning International, LLC (HDI) 提交的一系列许可和监管请求进行环境审查，如果获得批准，这些请求将共同支持重新授权 Palisades 核电站 (Palisades) 的发电运营。这些请求是 NRC 面前的拟议行动，包括豁免请求、许可证转让请求和许可证修订请求。 NRC 是 1969 年《国家环境政策法》（修订版）（NEPA）下环境审查和 1966 年《国家历史保护法》（修订版）（NHPA）第 106 条磋商的牵头联邦机构，美国能源部 (DOE) 贷款计划办公室 (LPO) 是环境审查和第 106 条磋商的合作机构。DOE LPO 依据 2005 年《能源政策法》（修订版）第 17 条赋予的权力，提议向 HDI 提供联邦财政援助（贷款担保），以恢复 Palisades 的发电业务。
使用网格投影仪
X射线成像是一种众所周知的技术，用于对物体的非破坏性成像和表征。基于X射线放射图，可以获得对象的形状，密度和原子数的信息。这些功能使X射线成像高度适用于非破坏性分析和测试。A key technique in non-destructive radiography-based analysis is material de- composition, whose aim is to determine the materials composition of an object.在医学成像中，可以应用材料分解以区分良性和恶性肿瘤[2]。在货物检查中，可以将材料分解构成以识别农产品中的走私商品或杂质[3]。Two main techniques for material decomposition have been described in the literature: Dual Energy Material Decomposition (DEMD) and Single Energy Material Decomposition (SEMD).DEMD利用材料衰减系数的能量依赖性。The linear attenuation coefficient as a function of the energy can be modeled as a linear combination of basis functions, such as those describing the energy dependency of the photoelectric interaction and total cross-section of the Compton scattering.另一种方法是选择依赖能量的基本材料（例如骨和水）作为基础函数[4]。[5]。此技术使衰减中的差异在常规重建中是看不见的。另一种方法是获取物体的高和低能量X光片，从而产生具有独特投影值的X光片[6]。然后，使用查找表将投影值链接到路径长度。基于此信息，可以获得材料厚度。减少暴露需要改编硬件，例如双源单元或光子计数检测器[4]。此外，由于DEMD需要进行两次扫描，因此对物体的辐射暴露可能是一个问题，尤其是在医学成像中[4]。此外，查找表的创建可能很耗时[6]或不准确[7]。单能投影（SEMD）另一方面，通过使用远程长度的知识来估算仅一次扫描的材料组成。这些路径长度可以从CT重建[6]或从3D激光扫描仪获得的对象的表面图像估算[8]。最近，显示路径长度也可以通过将对象的表面网格注册到其扫描的投影中直接从几个X射线投影中恢复[9]。此方法不需要除X射线扫描仪或完整CT扫描以外的其他硬件，它提供了将其集成到材料分解过程中的潜力。我们提出的方法估计了用X射线光扫描的物体的均匀混合物的化学质量分数。CAD-ASTRA工具箱用于计算路径长度和模拟多色X射线射线照相。
Alpha Mesh Swc：根据脑细胞骨架描述自动生成稳健的表面网格
图 1：(a) SWC 文件的说明性示例（不是真实细胞）。从左到右，各列分别表示节点索引、神经元区室类型、x、y、z 坐标、半径和父节点索引。例如，第二个节点表示位于 [0, 0, 8] 处半径为 2 µm 的顶端树突（类型 4）部分。它连接到其父节点（第一个节点）。如果父索引为 -1，则当前节点为根节点。(b) (a) 中 SWC 文件定义的神经元骨架的可视化表示。红色 ⊗ 符号表示体细胞节点，神经突节点用红色 + 表示。长度为 l 1 , . . . , l 4 的蓝线绘制了神经元骨架。虚线以 3D 形式说明了神经元的形态。(c) 可用于连接两个连续节点的圆锥
一种求解电磁问题的新型无网格方法...
讲师：Meisong Tong 级别：中级 时间：2025 年 2 月 9 日下午 4:00 至下午 6:00 太平洋时间（美国和加拿大） 摘要 体积积分方程 (VIE) 对于通过积分方程方法解决非均匀或各向异性电磁 (EM) 问题是必不可少的。VIE 的解决在很大程度上依赖于体积积分域的适当离散化，对于任意形状的几何形状，通常首选四面体离散化。与离散表面域不同，体积域的离散化在实践中可能非常困难，即使对于简单而规则的几何形状，通常也需要特殊的商业软件。为了降低离散体积域的成本，特别是消除传统矩量法 (MoM) 要求的网格一致性约束，我们最近提出了一种新的无网格方法来解决 VIE。该方法基于通过格林高斯定理将体积积分转换为边界或表面积分，此时通过排除包围观测节点的小圆柱体或立方体来正则化积分核。对象所表示的原始积分域也被扩展为围绕对象的圆柱体或立方体域，以方便计算边界积分。小圆柱体或立方体上的奇异积分采用奇异减法技术进行特殊处理。为了说明该方法，给出了几个解决典型电磁问题的数值示例，并可以观察到良好的结果。简历 童梅松分别在中国武汉华中科技大学获得学士和硕士学位，在美国亚利桑那州坦佩亚利桑那州立大学获得博士学位，专业均为电气工程。他目前是德国慕尼黑工业大学高频工程系洪堡教授，同时也是上海同济大学电子科学与技术系主任、特聘教授和微电子学院副院长。他还曾担任美国伊利诺伊大学香槟分校客座教授和香港大学名誉教授。他在同行评审的期刊和会议论文集上发表了 700 多篇论文，并合作撰写了 8 本书或书籍章节。他的研究兴趣包括电磁场理论、天线理论与技术、射频/微波电路和器件的建模与仿真、互连和封装分析、用于成像的逆电磁散射以及计算电磁学。童教授是电磁学会院士、日本学术振兴会 (JSPS) 院士和 USNC/URSI 成员（B 委员会）。他自 2014 年起担任上海分会主席，并于 2018 年担任 SIGHT 委员会主席。他是IEEE天线与传播学会的博士后研究员，曾担任IEEE天线与传播杂志、IEEE天线与传播学报、IEEE组件、封装与制造技术学报、International Journal of Numerical Modeling: Electronic Networks, Devices and Fields、Progress in Electromagnetics Research、Journal of Electromagnetic Waves and Applications等数本国际著名期刊的副主编或客座编辑，并多次担任一些著名国际会议的分会组织者/主席、技术委员会委员/主席、大会主席等职务。2012年获日本京都大学客座教授称号，2013年获香港大学客座教授称号。他指导并指导了国内外多所著名学术期刊的编辑工作。
机器学习驱动的基于指标的网状改编
网格适应在CFD中至关重要，对于动态完善并优化计算网格，增强了捕获复杂流动特征的精度。基于度量的网格适应性，虽然在数学上健壮，但通常依赖于伴随解决方案来进行误差估计，这可以显着增加计算需求。为了应对这一挑战，这项研究旨在开发一种机器学习驱动的方法来改编CFD，从而消除了对计算强度密集的伴随解决方案的需求。在追求此目标时，我们采用集合模型和图形卷积网络（GCN）来预测在适应过程中每个单元格的局部误差估计器。我们的发现表明，GCNS胜过各向同性网格的集合模型，而两个模型在各向异性网格中产生相似的结果。这些结果表明，我们的机器学习驱动的方法消除了求解伴随方程的误差估计的需要，为在复杂的流动方案中为更有效的CFD模拟铺平了道路。
互动3D建模的文本引导的可控网格精炼
我们考虑通过文本指导将几何细节添加到3D对象网格的问题。文本到3D生成建模已成功应用于计算机视觉[Poole等。2023;张等。2024]，计算机图形[Khalid等。2022]和地理处理[Gao等。2023; Xu等。2024]应用。这些方法着重于直接从文本中生成3D网格[Poole等。2023; Wang等。2023]没有为用户提供控制输出形状粗糙结构的能力，从而限制了需要仔细控制生成过程的艺术家的实际实用性。其他方法着重于生成3D网格的纹理[Cao等。2023;理查森等。2023]，但它们在几何形状上没有执行任何变化。虽然有一些方法[Gao等。2023; Metzer等。2023]向用户提供控制并能够修改给定形状的几何形状，这些方法通常很慢，因为它们依赖于昂贵的得分蒸馏采样[Poole等。2023]。在本文中，我们提出了一种创建3D对象与丰富几何细节的方法，同时允许用户保留对全局形状结构（通过输入粗网格）和本地几何细节（通过输入文本提示）的控制。随着文本引导的生成方法的最新成功[Metzer等。2023; Poole等。2023;理查森等。2023; Wang等。2024;张等。2023]，我们在大型预训练的文本对图模型上构建了我们的方法[Rombach等。2022]并使用语言指导几何细节的生成。我们的公式不需要配对的粗几何图和细几何训练数据，而是使用大型预训练的文本对图像模型作为监督，以指导通过可区分的渲染器添加几何细节的过程。我们的主要见解源于以下事实：训练以深度信息指导的文本对图像生成的模型[Mou等。2023]最终创建包含其他几何提示的图像。如图2所示，这些提示是如此突出，即使是现成的正常估计模型也可以提取它们。即，即使小鼠图像仅从三个球体产生，其正常估计（最右图像）显示了与描绘眼睛，鼻子和耳朵的表面相对应的正态。但是，此过程只能从单个角度创建可见的细节，而我们希望将细节添加到给定形状的整个可见表面。我们的方法在三个阶段中将几何详细信息添加到输入网格中。第一阶段基于输入文本提示和输入粗网格生成单视RGB图像。此RGB图像可以看作是如何将其添加到输入网格的几何详细信息的预览。第二阶段根据第一阶段和输入粗网格的单视输出进行多视图生成。第三阶段根据第二阶段的多视图生成来完善输入网格的几何细节。由于每个阶段的输出是非提交的，人类可理解的图像或效果图，因此此属性允许在完成之前的早期瞬间，以便用户决定更改参数或返回并更改/修改输入。此外，前两个阶段仅涉及运行预训练网络的推断，最后阶段直接在网格上运行。每个阶段都可以在几秒钟内完成，因此允许我们的方法用于支持