XiaoMi-AI文件搜索系统
World File Search SystemMultiflow
事件摄像机的密集连续时间流量
摘要 - 我们提出了一种估算事件数据的密集连续时间光流的方法。传统的致密光流方法计算两个图像之间的像素位移。由于缺少信息，这些方法无法在两个图像之间的盲时间中恢复像素轨迹。在这项工作中，我们表明可以使用事件相机中的事件来计算每像素，连续的光流。事件由于其渐进性和微秒响应时间而提供了有关像素空间中运动的时间细粒信息。我们利用这些好处来通过参数化的B´ezier曲线在连续的时间内密集地预测像素轨迹。为了实现这一目标，我们构建了一个具有强大诱导偏见的神经网络：首先，我们使用事件数据及时构建了多个顺序相关量。第二，我们使用B´ezier曲线在沿轨迹的多个时间戳上为这些相关量索引。第三，我们使用检索到的相关性迭代更新B´ezier曲线表示。我们的方法可以选择包括图像对，以进一步提高性能。据我们所知，我们的模型是可以从事件数据中回归密集的像素轨迹的第一种方法。为了训练和评估我们的模型，我们引入了一个合成数据集（Multiflow），该数据集（Multiflow）具有每个像素的移动对象和地面真相轨迹。开源代码和数据集向公众发布。我们的定量实验不仅表明我们的方法在连续的时间内成功预测了像素轨迹，而且在多速和DSEC-Flow上的传统两视频像素位移中也具有竞争力。
foldmark：使用水印
蛋白质结构是理解蛋白质功能的关键，对于生物工程，药物发现和分子生物学的进展至关重要。最近，随着生成AI的结合，计算蛋白结构预测/设计的功率和准确性已得到显着提高。然而，诸如版权保护和有害内容产生（生物安全）等道德问题对蛋白质生成模型的广泛实施构成了挑战。在这里，我们研究是否可以将水印嵌入蛋白质生成模型及其输出中，以进行版权认证和跟踪生成的结构。作为概念证明，我们提出了一个两阶段的方法折叠标记，作为蛋白质生成模型的广义水印策略。FOLSMARK首先要预处理水印编码器和解码器，它们可以轻微调整蛋白质结构以嵌入用户特定的信息，并忠实地从编码结构中恢复信息。在第二步中，蛋白质生成模型通过水印条件的低级适应（Waterlora）模块进行微调，以保持发电质量，同时学习产生具有高回收率的水印结构。广泛的实验是在开源蛋白结构预测模型（例如Esmfold和Multiflow）和从头结构设计模型（例如Framediff和Foldflow）上进行的，我们证明我们的方法在所有这些生成模型中都是有效的。同时，我们的水印框架只会对原始蛋白质结构质量产生可忽略的影响，并且在潜在的后加工和适应性攻击下具有强大的影响。