XiaoMi-AI文件搜索系统
World File Search SystemModal
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/。
歌剧：通过过度信托的惩罚和转录分配
幻觉是对多模态大语言模型（MLLM）的普遍挑战的幻觉，极大地阻碍了他们需要精确判断的真实用法。现有方法可以通过特定设计的数据进行培训，或通过其他来源的特定知识来缓解此问题，从而产生了不可避免的额外费用。在本文中，我们提出了一种新型的MLLM解码方法，该方法基于o-vertust pe nalty和r eTroptoction-llocation策略，它是一种几乎免费的午餐，可以减轻幻觉问题，并没有其他数据，知识，知识或培训。我们的方法始于一个有趣的观察结果，即，大多数幻觉与自我注意力矩阵所表现出的知识聚集作用紧密相关，即MLLM倾向于通过关注一些摘要的代价来产生新的代币，但并非所有以前的代币。这种部分过度信任的倾向会导致忽略图像令牌，并用幻觉描述图像内容。基于观察结果，Opera在梁搜索解码过程中引入了对模型逻辑的惩罚术语，以使Miti-Gate the Trust问题以及回滚策略回顾了在预先生成的令牌中存在摘要令牌的存在，并在必要必要时重新分配给标记。通过广泛的实验，Opera在不同的MLLM和指标上表现出明显的幻觉降低性能，证明其有效性和性质。我们的代码为：https：//github.com/shikiw/opera。
可控文本到图像合成，适用于多模态 MR 图像
近年来，生成模型取得了重大进展，尤其是在文本到图像合成领域。尽管取得了这些进展，但医学领域尚未充分利用大规模基础模型的功能来生成合成数据。本文介绍了一种文本条件磁共振 (MR) 成像生成框架，解决了与多模态考虑相关的复杂性。该框架包括一个预先训练的大型语言模型、一个基于扩散的提示条件图像生成架构和一个用于输入结构二进制掩码的附加去噪网络。实验结果表明，所提出的框架能够生成与医学语言文本提示一致的逼真、高分辨率和高保真的多模态 MR 图像。此外，该研究根据文本条件语句解释了生成结果的交叉注意力图。这项研究的贡献为未来文本条件医学图像生成的研究奠定了坚实的基础，并对加速医学成像研究的进步具有重要意义。
通过共享缺少模态的多模态学习...
缺失模态问题对于多模态模型来说至关重要，但并非易事。当前旨在处理多模态任务中缺失模态问题的方法要么仅在评估期间处理缺失模态，要么训练单独的模型来处理特定的缺失模态设置。此外，这些模型是为特定任务设计的，例如，分类模型不易适应分割任务，反之亦然。在本文中，我们提出了共享特定特征建模 (ShaSpec) 方法，该方法比解决上述问题的竞争方法简单得多，也更有效。ShaSpec 旨在通过学习共享和特定特征来更好地表示输入数据，从而在训练和评估期间利用所有可用的输入模态。这是通过一种依赖于基于分布对齐和域分类的辅助任务以及残差特征融合程序的策略实现的。此外，ShaSpec 的设计简单性使其易于适应多种任务，例如分类和分割。在医学图像分割和计算机视觉分类方面进行了实验，结果表明 ShaSpec 的表现远胜于竞争方法。例如，在 BraTS2018 上，ShaSpec 将增强肿瘤的 SOTA 提高了 3% 以上，将肿瘤核心的 SOTA 提高了 5%，将整个肿瘤的 SOTA 提高了 3%。1
互相抓挠：通过类别意识群体自我支持学习
尽管磁共振成像（MRI）对脑肿瘤分割和发现非常有帮助，但它在临床实践中缺乏某些方式。作为一种态度，预测绩效的退化是不可避免的。根据当前的实现，在模态特征的训练过程中，不同的模式被认为是独立的，彼此之间是独立的，但是它们是互补的。在本文中，考虑到不同方式对各种肿瘤区域的敏感性，我们提出了一种意识到类别的G组大量学习框架（称为GSS），以弥补本性模态模态提取阶段的信息。确切地说，在每个预测类别中，所有模态的预测构成了一个组，其中选择了最出色的灵敏度的预测作为组领导者。小组领导者与成员之间的合作努力以高的一致性和确定性为基础。作为我们的次要贡献，我们引入了一个随机面具，以减少可能的偏见。GSS采用标准培训策略而无需具体的建筑选择，因此可以轻松地插入现有的全模式内脑肿瘤分段中。在BRATS2020，BRATS2018和BRATS2015数据集上进行了明显的，广泛的实验表明，GSS可以平均证明现有的SOTA算法的性能平均为1.27-3.20％。该代码在https://github.com/qysgithubopen/gss上发布。
收集AI利用新的Modalai®starling 2 Logis无人机，以获得更大的仓库和库存数据能力
宾夕法尼亚州匹兹堡 - 2025年2月10日 - 今天的库存情报解决方案收集AI宣布将通过Modalai的Voxl 2 Autopilot提供的新的US-MADE-MADE Starling 2 Logis无人机来增强其DJI无人机，用于客户仓库库存数据收集。此添加在第2季度2025中获得，将有助于仓库操作和创新团队最大化收集AI软件解决方案，以提高计数和应用程序灵活性。收集AI计算机视觉技术使无人机可以自主飞行，而无需GPS，WiFi或基础设施更改。机器学习算法分析库存图片，读取和解释远远超出了条形码，包括批号，文本，有效期，案例计数和占用信息。仓库运营商可以将其实时物理库存与仓库管理系统（WMS）数据进行比较，以进行最高准确性所需的任何更改。该解决方案最常用于第三方物流（3PL），零售分销，制造以及食品和饮料，但它
定量模态逻辑的表现力
摘要 - 一种足够强的模态逻辑，以完全表征系统的行为称为表达性。最近，随着（概率，网络物理等）的推理，系统的多样性越来越多。），重点转移到定量设置，从而为定量逻辑和行为指标带来了许多表达性结果。这些定量的表达性结果中的每一个都使用量身定制的论点；提炼这些论点的本质是非平凡的，但对于支持新的定量设置的表达模态逻辑的设计很重要。在本文中，我们介绍了基于近似家庭的新概念来得出定量表达结果的第一个分类框架。一个关键的成分是鳕鱼的提升，这是一种均匀的观察以各种双性异性的构造 - 类似于双性模拟指标的概念。我们表明，最近有几个定量表达性结果（例如Kénig等人。和Fijalkow等人）被容纳在我们的框架中；对于我们所谓的一分化均匀性，也得出了新的表达结果。
一种非接触式多模式感应方法，用于建筑物解构中的物质评估和恢复
摘要：随着物质稀缺和环境问题的增长，重复使用和减少废物的关注是根据它们减少碳排放和促进零净建筑物的潜力而引起的。这项研究开发了一种创新的方法，该方法将多模式传感技术与机器学习结合在一起，以实现对现场建筑材料的无接触式评估，以重新使用潜力。通过整合热成像，红色，绿色和蓝色（RGB）相机以及深度传感器，系统可以分析材料条件并揭示现有建筑物内的隐藏几何形状。这种方法通过分析现有材料（包括其成分，历史和组件）来增强材料的理解。一项关于干墙解构的案例研究表明，这些技术可以有效地指导解构过程，并有可能大大降低材料成本和碳排放。这些发现突出了可行的场景，用于干墙再利用，并通过自动反馈和可视化切割线和紧固件位置来提高现有解构技术的见解。本研究表明，非接触式评估和自动解构方法在技术上是可行的，经济上有利的，并且在环境上是有益的。作为朝着查看和对现有建筑材料进行分类的新方法迈出的第一步，本研究为未来的研究奠定了基础，促进了可持续的建筑实践，以优化材料再利用并减少负面的环境影响。
肿瘤微环境的标志及其与新兴免疫疗法方式的相互作用
1 Guy's Cancer Center，Guy's and St Thomas'NHS基金会信托基金会，英国伦敦SE1 9RT； Christian.linares@nhs.net（C.A.L。 ）; Sola.adeleke@nhs.net（S.A.）2 Kent肿瘤学中心，Maidstone和Tunbridge Wells NHS NHS Trust，Hermitage Lane，Maidstone，Meadstone，Kent ME16 ME16 9QQ，英国； anjana.varghese@nhs.net 3医学肿瘤学部，梅德韦NHS基金会信托基金会，吉林汉姆ME7 ME7 5NY，英国； aruni.ghose@nhs.net（A.G.）; elisabet.sanchez@nhs.net（E.S. ）; matin.sheriff@nhs.net（M.S.） 4 Barts Cancer Centre, Barts Health NHS Trust, London EC1A 7BE, UK 5 Mount Vernon Cancer Centre, East and North Hertfordshire NHS Trust, Northwood HA6 2RN, UK 6 Immuno-Oncology Clinical Network, UK 7 Centre for Tumour Biology, Barts Cancer Institute, Cancer Research UK Barts Centre, Queen Mary University of London, London EC1M 6BQ, UK; s.shinde@smd22.qmul.ac.uk 8生命科学与医学学院，癌症与药学学院，伦敦国王学院，伦敦国王学院，伦敦WC2R 2LS，英国9号，99 cyrus.chargari@aphp.fr 10医学肿瘤学，法国维勒维夫94805的医学肿瘤学系； elie.rassy@hotmail.com 11 Kent and Medway医学院，肯特大学，坎特伯雷CT2 7LX，UK 12 AELIA组织，第9 km Thessaloniki -Thermi，57001 Thessaloniki，Greece，Greece *通信 *通信：stergiosssiosboussios@gmail.com或stergios.boil.com或stergios.bous.bous.bous@s.net或stergios.boussios@kcl.ac.uk或s.boussios@kent.ac.uk†这些作者同样为这项工作做出了贡献。1 Guy's Cancer Center，Guy's and St Thomas'NHS基金会信托基金会，英国伦敦SE1 9RT； Christian.linares@nhs.net（C.A.L。）; Sola.adeleke@nhs.net（S.A.）2 Kent肿瘤学中心，Maidstone和Tunbridge Wells NHS NHS Trust，Hermitage Lane，Maidstone，Meadstone，Kent ME16 ME16 9QQ，英国； anjana.varghese@nhs.net 3医学肿瘤学部，梅德韦NHS基金会信托基金会，吉林汉姆ME7 ME7 5NY，英国； aruni.ghose@nhs.net（A.G.）; elisabet.sanchez@nhs.net（E.S.）; matin.sheriff@nhs.net（M.S.）4 Barts Cancer Centre, Barts Health NHS Trust, London EC1A 7BE, UK 5 Mount Vernon Cancer Centre, East and North Hertfordshire NHS Trust, Northwood HA6 2RN, UK 6 Immuno-Oncology Clinical Network, UK 7 Centre for Tumour Biology, Barts Cancer Institute, Cancer Research UK Barts Centre, Queen Mary University of London, London EC1M 6BQ, UK; s.shinde@smd22.qmul.ac.uk 8生命科学与医学学院，癌症与药学学院，伦敦国王学院，伦敦国王学院，伦敦WC2R 2LS，英国9号，99 cyrus.chargari@aphp.fr 10医学肿瘤学，法国维勒维夫94805的医学肿瘤学系； elie.rassy@hotmail.com 11 Kent and Medway医学院，肯特大学，坎特伯雷CT2 7LX，UK 12 AELIA组织，第9 km Thessaloniki -Thermi，57001 Thessaloniki，Greece，Greece *通信 *通信：stergiosssiosboussios@gmail.com或stergios.boil.com或stergios.bous.bous.bous@s.net或stergios.boussios@kcl.ac.uk或s.boussios@kent.ac.uk†这些作者同样为这项工作做出了贡献。