XiaoMi-AI文件搜索系统
World File Search SystemModel
gpld3d：通过执行几何学和物理先验
扩散概率模型（DDPM）[39，40]，通过开发合适的3D表示，例如，体积网格[50]，点云[3，53]，三角形网格[24，32]，隐式含量[24，32]，隐式代表[12，28，36，36，36，36，56，36，56，36，36，36，56）。但是，这些生成模型的一个共同主题是匹配由训练数据定义的经验分布以及从潜在空间的先前分布中得出的诱导分布。这些方法在3D域中对下游应用程序至关重要的3D域中没有明确模型。考虑使用隐式形状代表的许多状态形状发生器。合成形状通常具有断开的作品，并具有其他物理稳定性和几何可行性的问题。现有技术的一个主要问题是，他们只看到培训实例，这是一组非常稀疏的样本。但是，它们没有对合成实例的几何和物理特性进行建模。这种问题不容易通过开发合适的神经代表来解决。随着人造形状具有多种拓扑结构，在可以对不同拓扑结构建模的代表下执行这些属性，例如隐式表面和点云仍然非常具有挑战性。在本文中，我们介绍了一种名为GPLD3D的新颖方法，该方法极大地增强了合成形状的几何学性和物理稳定性。考虑一个预先训练的生成模型，该模型将潜在空间映射到形状空间。我们将潜在扩散范式[12，34，36，56]证明是一种最先进的形状基因产生模型。与训练一个扩散模型不同，该模型将潜在空间的高斯分布映射到由训练形状的潜在代码定义的经验分布，我们介绍了一个潜在代码的优质检查器，以定义潜在空间的连续正规化分布。此质量检查器集成了一个学到的功能，该功能量化了合成形状的几何可行性评分以及量化其物理稳定性评分的刚度ma-Trix的光谱特性。我们展示了如何扩展最新的扩散框架EDM [20]，以整合数据分布和学习质量的denoising网络的质量检查器。关键贡献是一种原则性的方法，它决定了数据分散的损失条款与不同噪声水平的质量检查器之间的权衡参数。我们已经评估了shapenet-v2上GPLD3D的性能[6]。实验结果表明，在多个指标上，GPLD3D显着优于最先进的形状发生器。我们还提出了一项消融研究，以证明合并质量检查器并优化训练损失的超参数的重要性。
建模合作者：通过LLM工具使用
从内容节制到野生动植物保护，需要模型识别细微或主观的视觉概念的应用数量正在增长。传统上，开发用于此类概念的分类器需要在数小时，天甚至数月内衡量的大量手动努力来识别和注释培训所需的数据。即使最近提出的敏捷建模技术可以快速地进行图像分类器的快速启动，但仍需要用户花费30分钟或更多的单调，重复的数据标签，以训练一个罪恶的分类器。利用了Fiske的认知灾难理论，我们提出了一个新框架，通过用自然语言相互作用代替人类标签，从而减少了由自然语言相互作用，从而减少了通过一个数量级来定义的总体努力所需的总体努力：从将2,000张标记的图像定义为只有2,000张图像到只有100张图像到100次自然语言相互作用。我们的框架利用了大型语言模型和视觉语言模型的基础模型的最新进展，以通过对话和自动标记培训数据点来雕刻概念空间。最重要的是，我们的框架消除了对人群来源注释的需求。此外，我们的框架最终生产出在成本敏感的方案中可部署的轻量级分类模型。在15个主观概念和2个公共图像分类数据集中，我们训练的模型的表现优于传统敏捷建模以及最先进的零拍模型，例如Align，clip，cupl，Cupl和大型视觉问题回答诸如Pali-X之类的模型。
18NT52模型问题论文1，从2019 - 20年开始效果（...
Q.1（a）l 1 1 1 1,12（b）L 2 1 1,12（c）L 3 1 1,12 Q.2（a）Q.2（a）L 1 1 1 1,12（b）L 2 1 1,12（c）L 3 1 1 1,12 Q.3（a）Q.3（a）L 1 2 1,12（b）L 1 2 1,12（b）L 2 1,1,1,1,1,1,12（c）l 3 3 3 2 1,1,1,1,1,1,1 b） L 2 2 1,12 (c) L 3 2 1,12 Q.5 (a) L 1 3 1,12 (b) L 2 3 1,12 (c) L 3 3 1,12 Q.6 (a) L 1 3 1,12 (b) L 2 3 1,12 (c) L 3 3 1,12 Q.7 (a) L 1 4 1,12 (b) L 2 4 1,12 (c) L 3 4 1,12 Q.8（a）L 1 4 1,12（b）L 2 4 1,12（c）L 3 4 1,12 Q.9（a）L 1 5 1,12（b）L 2 5 1,12（c）L 3 5 1,12 Q.10 Q.10（a）L 1 5 1,12（b）L 2 5 1,12（b）L 2 5 1,12（b）L 2 5 1,12（c）L 3 5 1,12（c）
en3d：从2D合成数据雕刻3D人类的增强生成模型
我们提出了EN3D，这是一种增强的生成方案，用于雕刻高质量的3D人体化身。Unlike previous works that rely on scarce 3D datasets or limited 2D collec- tions with imbalanced viewing angles and imprecise pose priors, our approach aims to develop a zero-shot 3D gen- erative scheme capable of producing visually realistic, ge- ometrically accurate and content-wise diverse 3D humans without directly relying on pre-existing 3D or 2D assets.为了应对这一挑战，我们引入了精心制作的工作流量，该工程实现了准确的物理建模，以从合成2D数据中学习增强的3D生成模型。在推断期间，我们集成了优化模块，以弥合现实的外观和粗3D形状之间的差距。特定于EN3D包含三个模块：一个3D发电机，可以准确地对可概括的3D Humans建模具有合成，多样和结构化的人类图像的逼真外观的可概括的3D Humans；几何雕塑家
从文本到图像模型中检查图像的地理代表性
生成模型的最新进展导致了模型，这些模型既可以为大多数文本输入产生现实和相关的信息。这些模型每天都用于生成数百万张图像，并具有巨大影响诸如生成艺术，数字营销和数据增强等领域。鉴于它们的影响力，重要的是要确保生成的内容反映全球的伪影和周围环境，而不是过分代表世界的某些地区。在本文中，我们使用众包研究的研究衡量了通过dall·e 2产生的普通名词（例如房屋）的地理代表，以及稳定的扩散模型，其中包括27个国家 /地区的540名参与者。为了有意地指定没有国家名称的意见，生成的图像最反映了美国之后是印度的周围，而顶级世代很少反映出所有其他国家的周围环境（平均得分少于5分中的3个）。在输入中指定国家名称的代表性增加了1。平均在5-点李克特（Dall）的李子量表上为44点。75对于稳定的扩散，许多国家的超高分数仍然很低，这突出了将来模型在地理上更具包含的需求。最后，我们研究了量化使用用户研究的产生图像的地理代表性的可行性。1
细浓度：通过扩散模型进行细粒度及时驱动的3D人姿势估计
3D人姿势估计（3D HPE）任务使用2D图像或视频来预测3D空间中的人类关节坐标。尽管最新的基于深度学习的方法取得了进步，但它们主要忽略了可访问的文本和自然可行的人类知识的能力，而错过了有价值的隐性监督，以指导3D HPE任务。此外，以前的努力经常从整个人体的角度研究这项任务，从而忽略了隐藏在不同身体部位的细粒度指导。为此，我们基于3D HPE的扩散模型（名为FinePose）提出了一个新的细粒及时驱动的DeNoiser。它由三个核心块组成，增强了扩散模型的反向过程：（1）通过耦合辅助辅助文本和可学习的提示以模拟隐式指南的耦合知识，并通过耦合的辅助辅助文本和自然可行的零件知识，可以通过耦合的辅助辅助文本和自然可行的零件知识来构建精细的部分零件感知的提示。（2）Fine-
绩效评估和建模技术...
太阳能干燥机一直因其性能较低而受到批评。定义太阳能干燥系统性能的方法有很多种，例如热性能、干燥动力学、环境因素、经济评估和干燥产品的质量。还开发了不同的建模技术来设计和分析太阳能干燥机和干燥过程。本文系统、全面、最新地概述了用于评估和分析太阳能干燥机（尤其是家用和低成本太阳能干燥机）的各种性能指标和建模技术。环境分析具有严重的全球影响，产品质量是消费者最关心的问题之一。但据观察，文献中很少报道家用太阳能干燥机的环境影响和产品质量评估。建模技术在太阳能干燥中的应用改变了分析任何热系统的方式。本文试图建立家用太阳能干燥机的总体评估标准，并为世界各地的研究人员和用户提供一站式解决方案。
质量成熟度模型：高增长组织中的卓越发展
在高增长组织中，在快速开发周期中确保产品质量至关重要。诸如Dora（DevOps研究和评估）和空间（软件生产力，评估，控制和评估）等框架具有高级开发人员的生产率，但系统地改善质量实践的差距很大。本文介绍了专门针对高增长组织的综合质量成熟模型。该模型包括14个质量维度，从静态测试到配置管理，提供了一种整体质量增强方法。通过案例研究和实施策略，我们证明了该模型在提高产品质量，降低缺陷以及提高快速扩展环境中的运营效率方面的功效。
引用Mitzenmacher，迈克尔。 2001年。幂定律和对数正态分布的生成模型的简要历史。哈佛计算机科学集团T
使用条款本文从哈佛大学的DASH存储库下载，并根据适用于其他已发布材料（LAA）的条款和条件提供，如https://harvardwiki.atlassian.net/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/ngy/ngy/ngy5ngy5ndnde4zjgzndnde4zjgzntc5ndndndgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgiamsfyytytewy